人工智慧中的深度結構學習

內容簡介

以人工智慧為代表的新技術正在給人們的生產和生活方式帶來革命性變化。人工智慧技術試圖了解智慧型的本質，並產生一種新的能以人類智慧型相似的方式做出反應的智慧型機器。讓計算機理解現實世界中諸如圖像，語音和語言等數據所蘊含的高層次抽象信息，並加以利用，是該領域大的挑戰之一。諸多理論和實踐成果表明，以深度神經網路為代表的“深度結構”是解決該問題的重要工具之一。

本書詳細論述了採用深度結構的動機、原理和理論依據，討論了訓練深度神經網路的難點，繼而詳盡的介紹了自動編碼器、受限玻爾茲曼機以及深度置信網路的概念和理論，並進行了理論分析。本書是深入理解深度學習的動機和原理的經典之作。

圖書目錄

譯者序

1　引言1

1.1　如何訓練深度結構3

1.2　中間層表示：在不同的任務中共享特徵和抽象4

1.3　學習人工智慧的必經之路5

1.4　本書大綱6

2　深度結構的理論優勢8

2.1　計算複雜性10

2.2　一些非正式的論證11

3　局部與非局部泛化性13

3.1　局部模板匹配的局限性13

3.2　學習分散式表示17

4　具有深度結構的神經網路19

4.1　多層神經網路19

4.2　訓練深度神經網路的挑戰20

4.3　深度結構的無監督學習25

4.4　深度生成結構26

4.5　卷積神經網路28

4.6　自動編碼器29

5　能量模型和玻爾茲曼機31

5.1　能量模型和專家乘積系統31

5.2　玻爾茲曼機34

5.3　受限玻爾茲曼機36

5.4　對比散度39

目　　錄Ⅴ

6　深層結構的逐層貪心訓練46

6.1　深度置信網路的逐層訓練46

6.2　堆疊自動編碼器訓練48

6.3　半監督與部分監督訓練49

7　受限玻爾茲曼機和自動編碼器的變體51

7.1　自動編碼器和受限玻爾茲曼機的稀疏化表示51

7.2　降噪自動編碼器55

7.3　層內連線56

7.4　條件ＲＢＭ和時序ＲＢＭ 57

7.5　分解式ＲＢＭ 59

7.6　受限玻爾茲曼機和對比散度的推廣59

8　ＤＢＮ各層聯合最佳化中的隨機變分邊界62

8.1　將ＲＢＭ展開為無限有向置信網路62

8.2　逐層貪心訓練的變分證明64

8.3　所有層的聯合無監督訓練66

9　展望69

9.1　全局最佳化策略69

9.2　無監督學習的重要性72

9.3　開放的問題73

10　總結76

致謝78

參考文獻79

人工智慧中的深度結構學習

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條