本书是深度学习领域的入门教材，系统地整理了深度学习的知识体系，由浅人深地阐述了深度学习的基础知识、主要模型以及前沿研究热点，使得读者能有效地掌握深度学习的相关知识，并具备以深度学习技术来处理和解决大数据问题的能力。
全书共15章，分为三个部分。第一部分为机器学习基础：第1章是绪论，概要介绍人工智能、机器学习、深度学习；第2～3章介绍机器学习的基础知识。第二部分是基础模型：第4～6章分别讲述三种主要的神经网络模型：前馈神经网络、卷积神经网络和循环神经网络；第7童介绍神经网络的优化与正则化方法；第8章介绍神经网络中的注意力机制和外部记忆；第9章简要介绍一些无监督学习方法；第1O童介绍一些模型独立的机器学习方法，包括集成学习、自训练、协同训练、多任务学习、迁移学习、终身学习、元学习等。第三部分是进阶模型：第11章介绍概率图模型的基本概念；第12章介绍两种早期的深度学习模型——玻尔兹曼机和深度信念网络；第13章介绍深度生成模型，包括变分自编码器和生成对抗网络；第14童介绍深度强化学习；第15章介绍应用十分广泛的序列生成模型。
本书可作为高等院校人工智能、计算机、自动化、电子和通信等相关专业的研究生或本科生教材，也可供相关领域的研究人员和工程技术人员参考。
邱锡鹏，复旦大学计算机科学技术学院教授、博士生导师，于复旦大学获得理学学士和博士学位。主要研究领域包括自然语言处理、机器学习、深度学习等，在相关领域的高水平国际期刊、会议上发表学术论文60余篇，获得自然语言处理领域顶级国际会议ACL 2017杰出论文奖、全国计算语言学会议CCL 2019最佳论文奖，作为项目负责人开发两个自然语言处理开源项目FudanNLP和FastNLP，获得学术界和产业界的广泛使用。2015年入选首届中国科协青年人才托举工程，2018年获得中国中文信息学会“钱伟长中文信息处理科学技术奖青年创新一等奖”，入选由清华—中国工程院知识智能联合研究中心和清华大学人工智能研究院联合发布的“2020年度AI 2000人工智能全球最具影响力提名学者”。目前担任中国中文信息学会青年工作委员会执行委员、计算语言学专委会委员、语言与知识计算专委会委员，中国人工智能学会青年工作委员会常务委员、自然语言理解专委会委员。
序
前言
常用符号表
第一部分 机器学习基础
第1章 绪论
1.1 人工智能
1.1.1 人工智能的发展历史
1.1.2 人工智能的流派
1.2 机器学习
1.3表示学习
1.3.1 局部表示和分布式表示
1.3.2 表示学习
1.4 深度学习
1.4.1 端到端学习
1.5 神经网络
1.5.1 人脑神经网络
1.5.2 人工神经网络
1.5.3 神经网络的发展历史
1.6 本书的知识体系
1.7 常用的深度学习框架
1.8 总结和深入阅读
第2章 机器学习概述
2.1 基本概念
2.2 机器学习的三个基本要素
2.2.1 模型
2.2.2 学习准则
2.2.3 优化算法
2.3 机器学习的简单示例——线性回归
2.3.1 参数学习
2.4 偏差-方差分解
2.5 机器学习算法的类型
2.6 数据的特征表示
2.6.1 传统的特征学习
2.6.2 深度学习方法
2.7 评价指标
2.8 理论和定理
2.8.1 PAC学习理论
2.8.2 没有免费午餐定理
2.8.3 奥卡姆剃刀原理
2.8.4 丑小鸭定理
2.8.5 归纳偏置
2.9 总结和深入阅读
第3章 线性模型
3.1 线性判别函数和决策边界
3.1.1 二分类
3.1.2 多分类
3.2 Logistic回归
3.2.1 参数学习
3.3 Softmax回归
3.3.1 参数学习
3.4 感知器
3.4.1 参数学习
3.4.2 感知器的收敛性
3.4.3 参数平均感知器
3.4.4 扩展到多分类
3.5 支持向量机
3.5.1 参数学习
3.5.2 核函数
3.5.3 软间隔
3.6 损失函数对比
3.7 总结和深入阅读
……
第二部分 基础模型
第三部分 进阶模型
附录 数学基础
[
我的消息
购物车
