深度學習導論及案例分析

內容簡介

深度學習是近年來在神經網路發展史上掀起的一波新浪潮，是機器學習的一大熱點方向，因在手寫字元識別、維數約簡、圖像理解和語音處理等方面取得巨大進展，所以很快受到了學術界和工業界的高度關注。在本質上，深度學習就是對具有深層結構的網路進行有效學習的各種方法。

本書不僅介紹了深度學習的起源和發展、強調了深層網路的特點和優勢，說明了判別模型和生成模型的相關概念，還詳述了深度學習的9種重要模型及其學習算法、變種模型和混雜模型，包括受限玻耳茲曼機、自編碼器、深層信念網路、深層玻耳茲曼機、和積網路、卷積神經網路、深層堆疊網路、循環神經網路和長短時記憶網路，以及它們在圖像處理、語音處理和自然語言處理等領域的廣泛套用。同時分析了一系列深度學習的基本案例。

本書每個案例包括模組簡介、運行過程、代碼分析和使用技巧4個部分，層次結構清晰，利於讀者的選擇和學習並在套用中拓展思路。涉及的程式語言有3種：Matlab、Python和C++。其中，很多深度學習程式是用Matlab編寫的，可以直接運行；如果使用Python語言編寫深度學習程式，則可以調用Theano開源庫；若使用C++語言，則可以調用Caffe開源庫。

圖書目錄

前言

第一部分基礎理論

第1章概述 2

1.1深度學習的起源和發展 2

1.2深層網路的特點和優勢 4

1.3深度學習的模型和算法 7

第2章預備知識 9

2.1矩陣運算 9

2.2機率論的基本概念 11

2.2.1機率的定義和性質 l1

2.2.2 隨機變數和機率密度

函式 l2

2.2.3期望和方差． 13

2.3資訊理論的基本概念． 14

2.4機率圖模型的基本概念 15

2.5機率有向圖模型 16

2.6機率無向圖模型 20

2.7部分有向無圈圖模型 22

2.8條件隨機場 24

2.9馬爾可夫鏈 26

2.10機率圖模型的學習 28

2.11機率圖模型的推理 29

2.12馬爾可夫鏈蒙特卡羅方法 31

2.13玻耳茲曼機的學習 32

2.14通用反向傳播算法 35

2.15通用逼近定理 37

第3章受限玻耳茲曼機 38

3.1 受限玻耳茲曼機的標準

模型 38

3.2受限玻耳茲曼機的學習算法 40

3.3 受限玻耳茲曼機的變種模型 44

第4章自編碼器 48

4.1 自編碼器的標準模型 48

4.2 自編碼器的學習算法 50

4.3 自編碼器的變種模型 53

第5章深層信念網路 57

5.1 深層信念網路的標準模型 57

5.2深層信念網路的生成學習

算法 60

5.3深層信念網路的判別學習算法 62

深度學習導論及案例分析

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條