《神經網路與深度學習》，2016年電子工業出版社出版出版的圖書，作者是吳岸城。本書結合日常生活中的尋常小事，生動形象地闡述了神經網路與深度學習的基本概念、原理和實踐，案例豐富，深入淺出。
基本介紹
- 書名：神經網路與深度學習
- 作者：吳岸城
- ISBN：9787121288692
- 頁數：232頁
- 定價：59.00元
- 出版社：電子工業出版社
- 出版時間：2016-6
- 裝幀：平裝
內容簡介,書籍目錄,
內容簡介
隨著AlphaGo與李世石大戰的落幕，人工智慧成為話題焦點。AlphaGo背後的工作原理"深度學習"也跳入大眾的視野。什麼是深度學習，什麼是神經網路，為何一段程式在精密的圍棋大賽中可以大獲全勝？人工智終將會取代人類智慧嗎？
對於正在進入人工智慧時代的我們，這些內容無疑可以幫助我們更好地理解人工智慧的原理，豐富我們對人類自身的認識，並啟發我們對人機智慧型之爭更深一層的思考與探索。
《神經網路與深度學習》是一本介紹神經網路和深度學習算法基本原理及相關實例的書籍，它不是教科書，作者已儘量把公式減少到最少，以適應絕大部分人的閱讀基礎和知識儲備。《神經網路與深度學習》涵蓋了神經網路的研究歷史、基礎原理、深度學習中的自編碼器、深度信念網路、卷積神經網路等，這些算法都已在很多行業發揮了價值。
書籍目錄
第0章 寫在前面：神經網路的歷史 1
第1章 神經網路是個什麼東西 13
1.1 買橙子和機器學習13
1.1.1 規則列表 14
1.1.2 機器學習 15
1.2 怎么定義神經網路 16
1.3 先來看看大腦如何學習 16
1.3.1 信息輸入 17
1.3.2 模式加工 17
1.3.3 動作輸出 18
1.4 生物意義上的神經元 19
1.4.1 神經元是如何工作的 19
1.4.2 組成神經網路 22
1.5 大腦如何解決現實生活中的分類問題 24
第2章 構造神經網路 26
2.1 構造一個神經元 26
2.2 感知機 30
2.3 感知機的學習 32
2.4 用代碼實現一個感知機 34
2.4.1 Neuroph：一個基於Java的神經網路框架 34
2.4.2 代碼實現感知機 37
2.4.3 感知機學習一個簡單邏輯運算 39
2.4.4 XOR問題 42
2.5 構造一個神經網路 44
2.5.1 線性不可分 45
2.5.2 解決XOR問題（解決線性不可分） 49
2.5.3 XOR問題的代碼實現 51
2.6 解決一些實際問題 54
2.6.1 識別動物 54
2.6.2 我是預測大師 59
第3章 深度學習是個什麼東西 66
3.1 機器學習 67
3.2 特徵 75
3.2.1 特徵粒度 75
3.2.2 提取淺層特徵 76
3.2.3 結構性特徵 78
3.3 淺層學習和深度學習 81
3.4 深度學習和神經網路 83
3.5 如何訓練神經網路 84
3.5.1 BP算法：神經網路訓練 84
3.5.2 BP算法的問題 85
3.6 總結深度學習及訓練過程 86
第4章 深度學習的常用方法 89
4.1 模擬大腦的學習和重構 90
4.1.1 灰度圖像 91
4.1.2 流行感冒 92
4.1.3 看看如何編解碼 93
4.1.4 如何訓練 95
4.1.5 有監督微調 97
4.2 快速感知：稀疏編碼（Sparse Coding） 98
4.3 棧式自編碼器 100
4.4 解決機率分布問題：限制波爾茲曼機 102
4.4.1 生成模型和機率模型 102
4.4.2 能量模型 107
4.4.3 RBM的基本概念 109
4.4.4 再看流行感冒的例子 111
4.5 DBN 112
4.6 卷積神經網路 114
4.6.1 卷積神經網路的結構 116
4.6.2 關於參數減少與權值共享 120
4.6.3 舉個典型的例子：圖片內容識別 124
4.7 不會忘記你：循環神經網路 131
4.7.1 什麼是RNN 131
4.7.2 LSTM網路 136
4.7.3 LSTM變體 141
4.7.4 結論 143
4.8 你是我的眼：利用稀疏編碼器找圖像的基本單位 143
4.9 你是我的眼（續） 150
4.10 使用深度信念網搞定花分類 160
第5章 深度學習的勝利：AlphaGo 169
5.1 AI如何玩棋類遊戲 169
5.2 圍棋的複雜性 171
5.3 AlphaGo的主要原理 173
5.3.1 策略網路 174
5.3.2 MCTS拯救了圍棋算法 176
5.3.3 強化學習："周伯通，左右互搏" 179
5.3.4 估值網路 181
5.3.5 將所有組合到一起：樹搜尋 182
5.3.6 AlphaGo有多好 185
5.3.7 總結 187
5.4 重要的技術進步 189
5.5 一些可以改進的地方 190
5.6 未來 192
第6章 兩個重要的概念 194
6.1 遷移學習 194
6.2 機率圖模型 197
6.2.1 貝葉斯的網路結構 201
6.2.2 機率圖分類 204
6.2.3 如何套用PGM 208
第7章 雜項 210
7.1 如何為不同類型的問題選擇模型 210
7.2 我們如何學習"深度學習" 211
7.3 如何理解機器學習和深度學習的差異 212
7.4 大規模學習（Large Scale Learning）和並行計算 214
7.5 如果喜歡套用領域，可以考慮以下幾種套用 215
7.6 類腦：人工智慧的終極目標 216
參考文獻 218
術語 220
第1章 神經網路是個什麼東西 13
1.1 買橙子和機器學習13
1.1.1 規則列表 14
1.1.2 機器學習 15
1.2 怎么定義神經網路 16
1.3 先來看看大腦如何學習 16
1.3.1 信息輸入 17
1.3.2 模式加工 17
1.3.3 動作輸出 18
1.4 生物意義上的神經元 19
1.4.1 神經元是如何工作的 19
1.4.2 組成神經網路 22
1.5 大腦如何解決現實生活中的分類問題 24
第2章 構造神經網路 26
2.1 構造一個神經元 26
2.2 感知機 30
2.3 感知機的學習 32
2.4 用代碼實現一個感知機 34
2.4.1 Neuroph：一個基於Java的神經網路框架 34
2.4.2 代碼實現感知機 37
2.4.3 感知機學習一個簡單邏輯運算 39
2.4.4 XOR問題 42
2.5 構造一個神經網路 44
2.5.1 線性不可分 45
2.5.2 解決XOR問題（解決線性不可分） 49
2.5.3 XOR問題的代碼實現 51
2.6 解決一些實際問題 54
2.6.1 識別動物 54
2.6.2 我是預測大師 59
第3章 深度學習是個什麼東西 66
3.1 機器學習 67
3.2 特徵 75
3.2.1 特徵粒度 75
3.2.2 提取淺層特徵 76
3.2.3 結構性特徵 78
3.3 淺層學習和深度學習 81
3.4 深度學習和神經網路 83
3.5 如何訓練神經網路 84
3.5.1 BP算法：神經網路訓練 84
3.5.2 BP算法的問題 85
3.6 總結深度學習及訓練過程 86
第4章 深度學習的常用方法 89
4.1 模擬大腦的學習和重構 90
4.1.1 灰度圖像 91
4.1.2 流行感冒 92
4.1.3 看看如何編解碼 93
4.1.4 如何訓練 95
4.1.5 有監督微調 97
4.2 快速感知：稀疏編碼（Sparse Coding） 98
4.3 棧式自編碼器 100
4.4 解決機率分布問題：限制波爾茲曼機 102
4.4.1 生成模型和機率模型 102
4.4.2 能量模型 107
4.4.3 RBM的基本概念 109
4.4.4 再看流行感冒的例子 111
4.5 DBN 112
4.6 卷積神經網路 114
4.6.1 卷積神經網路的結構 116
4.6.2 關於參數減少與權值共享 120
4.6.3 舉個典型的例子：圖片內容識別 124
4.7 不會忘記你：循環神經網路 131
4.7.1 什麼是RNN 131
4.7.2 LSTM網路 136
4.7.3 LSTM變體 141
4.7.4 結論 143
4.8 你是我的眼：利用稀疏編碼器找圖像的基本單位 143
4.9 你是我的眼（續） 150
4.10 使用深度信念網搞定花分類 160
第5章 深度學習的勝利：AlphaGo 169
5.1 AI如何玩棋類遊戲 169
5.2 圍棋的複雜性 171
5.3 AlphaGo的主要原理 173
5.3.1 策略網路 174
5.3.2 MCTS拯救了圍棋算法 176
5.3.3 強化學習："周伯通，左右互搏" 179
5.3.4 估值網路 181
5.3.5 將所有組合到一起：樹搜尋 182
5.3.6 AlphaGo有多好 185
5.3.7 總結 187
5.4 重要的技術進步 189
5.5 一些可以改進的地方 190
5.6 未來 192
第6章 兩個重要的概念 194
6.1 遷移學習 194
6.2 機率圖模型 197
6.2.1 貝葉斯的網路結構 201
6.2.2 機率圖分類 204
6.2.3 如何套用PGM 208
第7章 雜項 210
7.1 如何為不同類型的問題選擇模型 210
7.2 我們如何學習"深度學習" 211
7.3 如何理解機器學習和深度學習的差異 212
7.4 大規模學習（Large Scale Learning）和並行計算 214
7.5 如果喜歡套用領域，可以考慮以下幾種套用 215
7.6 類腦：人工智慧的終極目標 216
參考文獻 218
術語 220
