- 深度学习(高等学校计算机专业系列教材)
- - 作者：编者:陈明|责编:龙启铭//王玉梅
  - 出版社：清华大学
  - ISBN：9787302687863
  - 出版日期：2025/05/01
  - 页数：367
- 售价：31.6

内容大纲
深度学习是人工智能中的核心问题之一，本书较系统地介绍了深度学习的基本内容，共15章，分别为概述、前馈神经网络、卷积神经网络、循环神经网络、深度残差神经网络、Transformer模型、生成对抗网络、深度信念网络、胶囊神经网络、自编码器、强化学习、脉冲神经网络、迁移学习、元学习和大语言模型。
本书注重基本概念、基本方法、基本模型和基本应用的介绍，并通过应用实例来说明深度学习模型与算法，语言精练，逻辑层次清晰，内容先进实用，可以作为大学“深度学习”课程的教材，也可以作为应用深度学习的科技人员的参考书。
作者介绍
目录
第1章  概述
  1.1  深度学习的发展过程
    1.1.1  深度学习的起源
    1.1.2  深度学习的发展
    1.1.3  深度学习的爆发
  1.2  机器学习基础
    1.2.1  机器学习方式
    1.2.2  机器学习的主要流派与演化过程
    1.2.3  泛化能力与增强方法
    1.2.4  模型性能评价指标
    1.2.5  相似性度量与误差计算
  1.3  神经网络模型基础
    1.3.1  神经网络模型及特点
    1.3.2  学习方式与学习规则
    1.3.3  深度学习模型
  1.4  计算图
    1.4.1  计算图的基本组成部分
    1.4.2  构建计算图的过程
    1.4.3  计算图的优势
  本章小结
第2章  前馈神经网络
  2.1  分类模型
    2.1.1  分类系统
    2.1.2  判别函数
    2.1.3  线性不可分的分类
  2.2  感知机
    2.2.1  离散感知机
    2.2.2  连续感知机
  2.3  BP神经网络
    2.3.1  多层感知机结构
    2.3.2  误差反向传播算法
    2.3.3  Dropout方法
    2.3.4  回归神经网络
  本章小结
第3章  卷积神经网络
  3.1  卷积神经网络的产生
    3.1.1  问题的提出
    3.1.2  卷积神经网络的特点
  3.2  卷积神经网络的结构
    3.2.1  CNN的系统结构
    3.2.2  输入层
    3.2.3  卷积层
    3.2.4  池化层
    3.2.5  输出层
  3.3  卷积神经网络的训练
    3.3.1  CNN的训练过程
    3.3.2  CNN的正向传播过程
    3.3.3  CNN的反向传播过程
    3.3.4  CNN的权值更新
  3.4  逆卷积神经网络

    3.4.1  逆卷积与逆卷积
    3.4.2  逆池化运算
    3.4.3  逆卷积运算
  3.5  卷积神经网络的应用
    3.5.1  CNN应用特点
    3.5.2  CNN的应用领域
  本章小结
第4章  循环神经网络
  4.1  循环神经网络概述
    4.1.1  循环神经网络原理
    4.1.2  循环神经网络的记忆能力
  4.2  循环神经网络的结构
    4.2.1  埃尔曼神经网络
    4.2.2  单向循环神经网络
    4.2.3  双向循环神经网络
    4.2.4  BPTT算法
    4.2.5  堆叠循环神经网络
  ……
第5章  深度残差神经网络
第6章  Transformer模型
第7章  生成对抗网络
第8章  深度信念网络
第9章  胶囊神经网络
第10章  自编码器
第11章  强化学习
第12章  脉冲神经网络
第13章  迁移学习
第14章  元学习
第15章  大语言模型
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目