神经网络与深度学习应用实战PDF|Epub|txt|kindle电子书版本网盘下载

神经网络与深度学习应用实战PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

基础篇2

第1章 时代崛起2

1.1概要2

1.1.1基本概念2

1.1.2深度学习与机器学习的关系4

1.1.3深度学习与人工智能的关系5

1.2历史发展5

1.2.1神经网络发展历史5

1.2.2人工智能发展历史7

1.3应用领域8

1.3.1智能个人助理8

1.3.2智能安防9

1.3.3无人驾驶9

1.3.4电商零售11

1.3.5智慧医疗11

1.3.6金融服务12

1.3.7智能教育13

1.4未来猜想14

1.4.1人文的快速发展14

1.4.2人类也是“机器人”14

1.4.3新的不平等现象15

1.5本章小结16

第2章 数学理论基础17

2.1向量17

2.1.1相关概念17

2.1.2向量的线性相关性18

2.1.3向量的外积18

2.1.4向量夹角与余弦相似性18

2.1.5实例：基于向量夹角的文本相似性分析19

2.2矩阵20

2.2.1矩阵乘法20

2.2.2克罗内克积21

2.3导数22

2.3.1概述22

2.3.2一般运算法则22

2.3.3链式求导法则23

2.4数值计算23

2.4.1误差23

2.4.2 距离24

2.4.3数值归一化26

2.5概率分布26

2.5.1二项分布26

2.5.2超几何分布27

2.5.3泊松分布27

2.5.4指数分布28

2.5.5正态分布29

2.6参数估计29

2.6.1概率29

2.6.2贝叶斯估计30

2.6.3最大似然估计31

2.6.4最大后验估计32

2.7回归分析33

2.7.1线性回归33

2.7.2逻辑回归36

2.8判定问题39

2.8.1 P问题39

2.8.2 NP问题39

2.8.3 NP-Complete问题40

2.8.4 NP-Hard问题40

2.9本章小结41

第3章 机器学习概要42

3.1机器学习的类型42

3.1.1有监督学习42

3.1.2无监督学习43

3.1.3强化学习43

3.2机器学习中常见的函数44

3.2.1激活函数44

3.2.2损失函数47

3.2.3核函数48

3.3机器学习中的重要参数49

3.3.1学习速率49

3.3.2动量系数50

3.3.3偏置项50

3.4拟合问题51

3.4.1过拟合现象51

3.4.2欠拟合现象52

3.4.3解决过拟合问题的一般方法52

3.4.4实例：拟合与二元一次方程求解55

3.5交叉检验55

3.5.1数据类型种类55

3.5.2留一交叉验证57

3.5.3 K折交叉验证57

3.6 线性可分与不可分58

3.7机器学习的学习特征59

3.8产生式模型与判别式模型60

3.9机器学习效果的一般评价指标61

3.10本章小结63

第4章 神经网络基础64

4.1概述64

4.1.1神经网络模型64

4.1.2经典的神经网络结构65

4.1.3一般业务场景中神经网络适应性66

4.1.4神经网络的深度67

4.2常见学习方法67

4.2.1误差修正学习67

4.2.2赫布学习规则68

4.2.3最小均方规则69

4.2.4竞争学习规则70

4.2.5其他学习规则71

4.3优化方法：梯度下降72

4.3.1概述72

4.3.2梯度下降法72

4.3.3梯度下降的优化算法74

4.3.4梯度消失问题76

4.3.5示例：利用梯度下降法求函数极值77

4.4常见的神经网络类型78

4.4.1前馈型神经网络78

4.4.2反馈型神经网络79

4.4.3自组织竞争型神经网络79

4.5深度学习中常见的网络类型80

4.5.1卷积神经网络80

4.5.2循环神经网络80

4.5.3深度信念网络80

4.5.4生成对抗网络81

4.5.5深度强化学习81

4.6其他神经网络与深度学习82

4.6.1随机神经网络82

4.6.2量子神经网络82

4.6.3迁移学习82

4.7深度学习与多层神经网络的关系83

4.8调参技巧84

4.9本章小结85

进阶篇88

第5章 前馈型神经网络88

5.1概述88

5.2常见结构88

5.3单层感知器网络89

5.3.1原理89

5.3.2网络结构90

5.3.3实例一：基于单层感知器“与”运算90

5.3.4实例二：利用感知器判定零件是否合格91

5.4 BP神经网络93

5.4.1概述93

5.4.2反向传播算法93

5.4.3异或问题的解决96

5.4.4避免病态结果98

5.4.5实例：基于多层感知器的手写体数字识别99

5.5径向基函数神经网络101

5.5.1原理介绍101

5.5.2中心选择方法102

5.5.3训练过程103

5.5.4径向基函数神经网络与BP神经网络的差异104

5.6本章小结105

第6章 反馈型神经网络107

6.1概述107

6.1.1基本原理107

6.1.2与前馈型神经网络的差异108

6.2 Hopfield神经网络109

6.3 Elman神经网络112

6.3.1结构组成112

6.3.2学习算法112

6.4递归神经网络113

6.4.1产生背景114

6.4.2基本结构115

6.4.3前向计算过程116

6.4.4反向传播：BPTS算法117

6.4.5应用场景118

6.4.6递归神经网络的结构改进118

6.4.7应用实例121

6.5本章小结124

第7章 自组织竞争型神经网络125

7.1概述125

7.1.1一般网络模型125

7.1.2工作原理126

7.1.3实例：用竞争学习规则进行模式分类127

7.2常见的聚类方法129

7.2.1系统聚类法129

7.2.2基于划分的聚类算法130

7.2.3基于密度的聚类算法131

7.2.4基于层次的聚类算法132

7.3自组织映射网络134

7.3.1概述134

7.3.2训练算法134

7.3.3实例：利用自组织映射网络划分城市群135

7.3.4优劣势分析136

7.4其他自组织竞争型神经网络137

7.4.1自适应共振理论137

7.4.2对偶传播神经网络138

7.5本章小结139

高阶篇142

第8章 卷积神经网络142

8.1概述142

8.1.1发展背景142

8.1.2基本概念143

8.1.3基本网络结构144

8.2卷积145

8.2.1卷积的物理意义145

8.2.2卷积的理解145

8.2.3卷积的实例147

8.3卷积核148

8.3.1卷积核的含义148

8.3.2卷积操作150

8.3.3卷积核的特征150

8.4卷积神经网络中各层工作原理151

8.4.1卷积层151

8.4.2下采样层151

8.4.3 Softmax层152

8.5卷积神经网络的逆向过程153

8.6常见卷积神经网络结构154

8.6.1 LeNet-5154

8.6.2 AlexNet155

8.7应用场景与效果评估157

8.7.1场景1：图像分类157

8.7.2场景2：目标检测158

8.7.3场景3：实例分割159

8.8 Maxout Networks160

8.9本章小结162

第9章 循环神经网络163

9.1概述163

9.2一般循环神经网络164

9.2.1概述164

9.2.2单向循环神经网络165

9.2.3双向循环神经网络166

9.2.4深度循环神经网络167

9.3训练算法：BPTT算法168

9.3.1前向计算168

9.3.2误差项计算169

9.3.3权值梯度计算169

9.3.4梯度爆炸与梯度消失问题170

9.4长短时记忆网络170

9.4.1背景170

9.4.2核心思想171

9.4.3详细结构172

9.4.4训练过程176

9.4.5相关变种简介181

9.5常见循环神经网络结构182

9.5.1 N比N结构182

9.5.2 N比1结构183

9.5.3 1比N结构183

9.5.4 N比M结构184

9.6与自然语言处理结合185

9.7实例：文本自动生成186

9.8本章小结187

第10章 深度信念网络188

10.1概要188

10.1.1背景188

10.1.2基本结构188

10.2受限玻尔兹曼机190

10.2.1概述190

10.2.2逻辑结构192

10.2.3对比分歧算法194

10.3训练过程194

10.3.1工作流程194

10.3.2调优过程195

10.4本章小结196

第11章 生成对抗网络197

11.1概述197

11.1.1背景概要197

11.1.2核心思想198

11.1.3基本工作流程199

11.2朴素生成对抗网络201

11.2.1网络结构201

11.2.2实例：基于朴素生成对抗网络生成手写体数字203

11.3深度卷积生成对抗网络206

11.3.1产生背景206

11.3.2模型改进206

11.3.3网络结构207

11.3.4实例：基于深度卷积对抗网络生成手写体数字208

11.4条件生成对抗网络212

11.4.1网络结构212

11.4.2实例：CGAN结合DCGAN生成手写体数字213

11.5瓦瑟斯坦生成对抗网络214

11.5.1概述214

11.5.2差异化215

11.5.3实例：WGAN结合DCGAN生成手写体数字216

11.6生成对抗网络的探索217

11.6.1价值与意义217

11.6.2面临的问题218

11.6.3应用场景示例218

11.6.4未来探索220

11.7本章小结220

第12章 深度强化学习221

12.1概述221

12.1.1概要221

12.1.2基本原理222

12.2马尔科夫决策过程223

12.2.1马尔科夫过程223

12.2.2隐马尔科夫模型224

12.2.3马尔科夫决策过程225

12.3深度强化学习算法229

12.3.1 DQN算法229

12.3.2 A3C算法231

12.3.3 UNREAL算法231

12.4强化学习的探索232

12.4.1应用场景探索232

12.4.2面临的问题233

12.5本章小结234