深度學(xué)習(xí)基礎(chǔ)與應(yīng)用

定　價：￥79.00

作　者：	武玉偉，梁瑋，裴明濤，吳心筱
出版社：	北京理工大學(xué)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥68.50)

ISBN：	9787568283731	出版時間：	2020-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	343	字?jǐn)?shù)：

內(nèi)容簡介

　　《深度學(xué)習(xí)基礎(chǔ)與應(yīng)用》分四部分介紹深度學(xué)習(xí)算法模型及相關(guān)應(yīng)用實例。首部分介紹在深度學(xué)習(xí)中必備的一些數(shù)學(xué)和機(jī)器學(xué)習(xí)的基礎(chǔ)知識。第二部分介紹卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度強(qiáng)化網(wǎng)絡(luò)等經(jīng)典模型，并對每種模型從原理、結(jié)構(gòu)、優(yōu)化等方面進(jìn)行論述。第三部分介紹深度學(xué)習(xí)中常用的優(yōu)化方法及訓(xùn)練技巧。第四部分結(jié)合實踐來介紹深度學(xué)習(xí)在計算機(jī)視覺、模式識別中的應(yīng)用?！渡疃葘W(xué)習(xí)基礎(chǔ)與應(yīng)用》同時兼顧理論和應(yīng)用，有助于讀者理解基本理論知識，并將理論知識用于實際應(yīng)用。《深度學(xué)習(xí)基礎(chǔ)與應(yīng)用》既可以作為高等院校計算機(jī)及相關(guān)專業(yè)的高年級本科生和研究生教材，也可供從事人工智能相關(guān)領(lǐng)域的工程師和研究人員參考。

作者簡介

　　武玉偉，北京理工大學(xué)特別副研究員，博士生導(dǎo)師。博士畢業(yè)于北京理工大學(xué)。主要研究方向為計算機(jī)視覺、機(jī)器學(xué)習(xí)。在計算機(jī)科學(xué)國際重要刊物和國際頂級學(xué)術(shù)會議發(fā)表論文30余篇。博士論文獲“2016年中國人工智能學(xué)會優(yōu)秀博士學(xué)位論文提名獎”。裴明濤，北京理工大學(xué)計算機(jī)學(xué)院副教授，博士生導(dǎo)師，主要研究方向為計算機(jī)視覺和人工智能。在IEEE TIP、IEEE TMM、PR、CVIU等重要國際刊物和ICCV、AAAI、ICME等重要國際會議上發(fā)表學(xué)術(shù)論文60余篇，獲國家發(fā)明專利6項，出版學(xué)術(shù)專著一部，作為負(fù)責(zé)人主持國家自然科學(xué)基金面上項目與國家973項目子課題等10多項科研項目，獲得省部級科技獎2項。梁瑋，北京理工大學(xué)計算機(jī)學(xué)院副教授，博士生導(dǎo)師。2005年畢業(yè)于北京理工大學(xué)計算機(jī)學(xué)院，獲工學(xué)博士學(xué)位。2014—2015年在加州大學(xué)洛杉磯分?？妥芯?。主要研究方向為計算機(jī)視覺和智能人機(jī)交互。作為項目負(fù)責(zé)人主持國家自然科學(xué)基金兩項、北京市自然科學(xué)基金一項、“973計劃”子課題一項。在ICCV、IJCAI、AAAI、SIGGRAPH Asia、IEEE VR、TVCG等計算機(jī)視覺、人工智能、計算機(jī)圖形學(xué)以及虛擬現(xiàn)實等多頂級會議上和重要期刊上發(fā)表論文40余篇。吳心筱，北京理工大學(xué)副教授，博士生導(dǎo)師。2010年獲得北京理工大學(xué)博士學(xué)位。主要研究方向為計算機(jī)視覺、圖像視頻內(nèi)容理解。在IJCV、IEEE TIP、IEEE TMM等重要國際刊物和AAAI、ICCV、CVPR、ECCV等頂級國際會議上發(fā)表學(xué)術(shù)論文30余篇。負(fù)責(zé)國家自然科學(xué)基金青年和面上項目、教育部博士點基金等項目。博士論文獲“2012年中國人工智能學(xué)會優(yōu)秀博士學(xué)位論文”榮譽(yù)。

圖書目錄

第1章緒論
1．1 人工智能
1．1．1 什么是人工智能
1．1．2 人工智能的實現(xiàn)途徑
1．1．3 人工智能發(fā)展簡史
1．2 深度學(xué)習(xí)
1．2．1 深度學(xué)習(xí)發(fā)展簡史
1．2．2 深度學(xué)習(xí)的主要應(yīng)用
第2章基礎(chǔ)知識
2．1 線性代數(shù)
2．1．1 線性代數(shù)基礎(chǔ)
2．1．2 矩陣的秩及矩陣運算
2．1．3 常見特殊矩陣
2．1．4 范數(shù)
2．1．5 特征分解
2．1．6 奇異值分解
2．2 概率論
2．2．1 隨機(jī)變量
2．2．2 概率分布
2．2．3 隨機(jī)變量的數(shù)字特征
2．2．4 貝葉斯定理
2．2．5 常用概率分布
2．3 最優(yōu)化方法
2．3．1 梯度下降法
2．3．2 牛頓法
2．3．3 擬牛頓法
2．4 機(jī)器學(xué)習(xí)
2．4．1 基本概念
2．4．2 最大似然估計
2．4．3 機(jī)器學(xué)習(xí)的三要素
2．4．4 過擬合與欠擬合
2．4．5 學(xué)習(xí)方式
2．4．6 評估方法
2．4．7 性能度量
2．5 神經(jīng)網(wǎng)絡(luò)
2．5．1 神經(jīng)元模型
2．5．2 單層感知器
2．5．3 多層感知器
第3章深度卷積神經(jīng)網(wǎng)絡(luò)
3．1 卷積層和卷積運算
3．1．1 生物機(jī)理
3．1．2 卷積運算
3．2 池化層和池化運算
3．3 AlexNet卷積神經(jīng)網(wǎng)絡(luò)
3．3．1 AlexNet的提出背景
3．3．2 AlexNet的網(wǎng)絡(luò)結(jié)構(gòu)
3．3．3 AlexNet的訓(xùn)練細(xì)節(jié)
3．3．4 AlexNet在分類任務(wù)上的表現(xiàn)
3．4 VGG網(wǎng)絡(luò)
3．4．1 VGG網(wǎng)絡(luò)的提出背景
3．4．2 VGG網(wǎng)絡(luò)的結(jié)構(gòu)配置
3．4．3 VGG網(wǎng)絡(luò)的訓(xùn)練細(xì)節(jié)
3．4．4 VGG網(wǎng)絡(luò)在分類任務(wù)上的表現(xiàn)
3．5 ResNet卷積神經(jīng)網(wǎng)絡(luò)
3．5．1 ResNet的提出背景
3．5．2 ResNet的網(wǎng)絡(luò)結(jié)構(gòu)
3．5．3 ResNet的訓(xùn)練細(xì)節(jié)
3．5．4 ResNet在分類任務(wù)上的表現(xiàn)
第4章深度循環(huán)神經(jīng)網(wǎng)絡(luò)
4．1 簡單循環(huán)網(wǎng)絡(luò)
4．1．1 簡單循環(huán)網(wǎng)絡(luò)的前向傳播過程
4．1．2 簡單循環(huán)潮絡(luò)的訓(xùn)練過程
4．1．3 單循環(huán)網(wǎng)絡(luò)的長期依賴問題
4．2 長短期記憶網(wǎng)絡(luò)
4．2．1 門機(jī)制
4．2．2 長短期記憶網(wǎng)絡(luò)的前向傳播過
4．2．3 長短期記憶網(wǎng)絡(luò)的訓(xùn)練過程
4．2．4 長短期記憶網(wǎng)絡(luò)的變體
4．3 神經(jīng)圖靈機(jī)
4．3．1 網(wǎng)絡(luò)結(jié)構(gòu)
4．3．2 尋址方式
4．3．3 控制器網(wǎng)絡(luò)
4．3．4 小結(jié)
4．4 雙向循環(huán)網(wǎng)絡(luò)和多層循環(huán)網(wǎng)絡(luò)
4．4．1 雙向循環(huán)網(wǎng)絡(luò)
4．4．2 多層循環(huán)網(wǎng)絡(luò)
第5章深度生成模型
5．1 變分自編碼器
5．1．1 預(yù)備知識
5．1．2 解碼器網(wǎng)絡(luò)
5．1．3 編碼器網(wǎng)絡(luò)
5．1．4 總體模型
5．1．5 訓(xùn)練過程
5．2 生成對抗網(wǎng)絡(luò)
5．2．1 基本思想
5．2．2 理論推導(dǎo)
5．2．3 訓(xùn)練過程
5．2．4 生成對抗網(wǎng)絡(luò)的變體
第6章深度強(qiáng)化學(xué)習(xí)
6．1 強(qiáng)化學(xué)習(xí)定義
6．1．1 目標(biāo)函數(shù)
6．1．2 值函數(shù)
6．1．3 Q函數(shù)
6．2 強(qiáng)化學(xué)習(xí)求解方法
6．2．1 動態(tài)規(guī)劃法
6．2．2 蒙特卡羅法
6．2．3 時序差分學(xué)習(xí)法
6．3 深度Q網(wǎng)絡(luò)
6．4 策略梯度法
……
第7章深度學(xué)習(xí)中的優(yōu)化方法
第8章深度學(xué)習(xí)中的訓(xùn)練技巧
第9章開源框架
第10章深度學(xué)習(xí)在目標(biāo)檢測中的應(yīng)用
第11章深度學(xué)習(xí)在目標(biāo)跟蹤中的應(yīng)用
第12章深度學(xué)習(xí)在動作識別中的應(yīng)用
參考文獻(xiàn)