图解深度学习深度学习网络编程入门机器学习人工智能deeplearning人工智能 pdf下载

【套装3本】深度学习+机器学习+人工智能
	定价	187.00
	出版社	人民邮电出版社
	版次	1
	出版时间	2018年05月
	开本	大32开
	作者	[日]山下隆义
	装帧	平装-胶订
	页数	1
	字数	1
	ISBN编码	9787115480248

《图解深度学习》
本书从深度学习的发展历程讲起，以丰富的图例从理论和实践两个层面介绍了深度学习的各种方法，以及深度学习在图像识别等领域的应用案例。内容涉及神经网络、卷积神经网络、受限玻尔兹曼机、自编码器、泛化能力的提高等。此外，还介绍了包括TheaD、Pylearn2、Caffe、DIGITS、Chainer 和TensorFlow 在内的深度学习工具的安装和使用方法。
《图解机器学习》

《图解机器学习》用丰富的图示，从Z小二乘法出发，对基于Z小二乘法实现的各种机器学习算法进行了详细的介绍。DⅠ部分介绍了机器学习领域的概况；DⅡ部分和DⅢ部分分别介绍了各种有监督的回归算法和分类算法；DⅣ部分介绍了各种无监督学习算法；DⅤ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。

《图解人工智能》
近年，人工智能热潮席卷而来。本书以图解的方式网罗了人工智能开发BB的基础知识，内容涉及机器学习、深度学习、强化学习、图像和语音的模式识别、自然语言处理、分布式计算等热门技术。全书以图配文，深入浅出，是一本兼顾理论和技术的人工智能入门教材。旨在帮助读者建立对人工智能技术的整体印象，为今后深入探索该领域打下基础。另外，书中设有专栏和“小贴士”，介绍了相关术语的背景知识，可帮助读者扩充知识面，进一步理解相关技术。


9787115480248 图解深度学习 59
9787115558510 图解人工智能 79
9787115388025 图解机器学习 49




《图解深度学习》

D 1章 绪论 

 1.1 深度学习与机器学习 2 

 1.2 深度学习的发展历程 3 

 1.3 为什么是深度学习 6 

 1.4 什么是深度学习 7 

 1.5 本书结构 9 

 D 2章 神经网络 

 2.1 神经网络的历史 12 

 2.2 M-P模型 14 

 2.3 感知器 16 

 2.4 多层感知器 18 

 2.5 误差反向传播算法 19 

 2.6 误差函数和激活函数 28 

 2.7 似然函数 30 

 2.8 随机梯度下降法 31 

 2.9 学习率 32 

 2.10 小结 33 

 D3章 卷积神经网络 

 3.1 卷积神经网络的结构 36 

 3.2 卷积层 38 

 3.3 池化层 39 

 3.4 全连接层 40 

 3.5 输出层 41 

 3.6 神经网络的训练方法 41 

 3.7 小结 48 

 D4章 受限玻尔兹曼机 

 4.1 Hopfield 神经网络 50 

 4.2 玻尔兹曼机 55 

 4.3 受限玻尔兹曼机 59 

 4.4 对比散度算法 61 

 4.5 深度信念网络 64 

 4.6 小结 66 

 D5章 自编码器 

 5.1 自编码器 68 

 5.2 降噪自编码器 71 

 5.3 稀疏自编码器 73 

 5.4 栈式自编码器 76 

 5.5 在预训练中的应用 77 

 5.6 小结 78 

 D6章 提高泛化能力的方法 

 6.1 训练样本 80 

 6.2 预处理 88 

 6.3 激活函数 92 

 6.4 Dropout 94 

 6.5 DropConnect 96 

 6.6 小结 98 

 D7章 深度学习工具 

 7.1 深度学习开发环境 100 

 7.2 Thean 100 

 7.3 Pylearn2 108 

 7.4 Caffe 118 

 7.5 训练系统——DIGITS137 

 7.6 Chainer 145 

 7.7 TensorFlow 160 

 7.8 小结 176 

 D8章 深度学习的现在和未来 

 8.1 深度学习的应用案例178 

 8.2 深度学习的未来 195 

 8.3 小结 197 

 参考文献 198 

《图解机器学习》

DI部分 绪 论

D1章 什么是机器学习 

1.1 学习的种类

1.2 机器学习任务的例子

1.3 机器学习的方法

D2章 学习模型 

2.1 线性模型

2.2 核模型

2.3 层级模型

DII部分 有监督回归

D3章 Z小二乘学习法 

3.1 Z小二乘学习法

3.2 Z小二乘解的性质

3.3 大规模数据的学习算法

D4章带有约束条件的Z小二乘法 

4.1 部分空间约束的Z小二乘学习法

4.2 ｌ2 约束的Z小二乘学习法

4.3 模型选择

D5章 稀疏学习 

5.1 ｌ1 约束的Z小二乘学习法

5.2 ｌ1 约束的Z小二乘学习的求解方法

5.3 通过稀疏学习进行特征选择

5.4 ｌp约束的Z小二乘学习法

5.5 ｌ1+ｌ2 约束的Z小二乘学习法

D6章 鲁棒学习 

6.1 ｌ1 损失Z小化学习

6.2 Huber损失Z小化学习

6.3 图基损失Z小化学习

6.4 ｌ1 约束的Huber损失Z小化学习

DIII部分 有监督分类

D7章 基于Z小二乘法的分类 

7.1 Z小二乘分类

7.2 0/1 损失和间隔

7.3 多类别的情形

D8章 支持向量机分类 

8.1 间隔Z大化分类

8.2 支持向量机分类器的求解方法

8.3 稀疏性

8.4 使用核映射的非线性模型

8.5 使用Hinge损失Z小化学习来解释

8.6 使用Ramp损失的鲁棒学习

D9章 集成分类 

9.1 剪枝分类

9.2 Bagging学习法

9.3 Boosting 学习法

D10章 概率分类法 

10.1 Logistic回归

10.2 Z小二乘概率分类

D11 章序列数据的分类 

11.1 序列数据的模型化

11.2 条件随机场模型的学习

11.3 利用条件随机场模型对标签序列进行预测

DIV部分 无监督学习

D12章 异常检测 

12.1 局部异常因子

12.2 支持向量机异常检测

12.3 基于密度比的异常检测

D13章 无监督降维 

13.1 线性降维的原理

13.2 主成分分析

13.3 局部保持投影

13.4 核函数主成分分析

13.5 拉普拉斯特征映射

D14章 聚类 

14.1 K均值聚类

14.2 核K均值聚类

14.3 谱聚类

14.4 调整参数的自动选取

DV部分 新兴机器学习算法

D15章 在线学习 

15.1 被动攻击学习

15.2 适应正则化学习

D16章 半监督学习 

16.1 灵活应用输入数据的流形构造

16.2 拉普拉斯正则化Z小二乘学习的求解方法

16.3 拉普拉斯正则化的解释

D17章 监督降维 

17.1 与分类问题相对应的判别分析

17.2 充分降维

D18章 迁移学习 

18.1 协变量移位下的迁移学习

18.2 类别平衡变化下的迁移学习

D19章 多任务学习 

19.1 使用Z小二乘回归的多任务学习

19.2 使用Z小二乘概率分类器的多任务学习

19.3 多次维输出函数的学习

DVI部分 结 语

D20章 z结与展望 

参考文献

《图解人工智能》
D 1章 人工智能的过去、现在和未来 1
01　人工智能　2
02　人工智能的黎明时期　4
03　人工智能的发展　9
D　2章 规则系统及其变体　21
01　规则系统　22
02　知识库　26
03　专家系统　30
04　推荐引擎　37
D3章　自动机和人工生命程序　43
01　人工生命模型　44
02　有限自动机　50
03　马尔可夫模型　55
04　状态驱动智能体　59
D4章　权重和寻找Z优解　65
01　线性问题和非线性问题　66
02　回归分析　70
03　加权回归分析　78
04　相似度的计算　82
D5章　权重和优化程序　93
01　图论　94
02　图谱搜索和Z优化　98
03　遗传算法　106
04　神经网络　114
D6章　统计机器学习（概率分布和建模）　125
01　统计模型和概率分布　126
02　贝叶斯统计学和贝叶斯估计　142
03　MCMC方法　153
04　HMM和贝叶斯网络　158
D7章　统计机器学习（无监督学习和有监督学习）　161
01　无监督学习　162
02　有监督学习　169
D8章　强化学习和分布式人工智能　179
01　集成学习　180
02　强化学习　185
03　迁移学习　193
04　分布式人工智能　197
D9章　深度学习　199
01　多层神经网络　200
02　受限玻尔兹曼机　206
03　深度神经网络　208
04　卷积神经网络　212
05　循环神经网络　215
D　10章 图像和语音的模式识别　219
01　模式识别　220
02　特征提取方法　222
03　图像识别　230
04　语音识别　236
D　11章 自然语言处理和机器学习　243
01　句子的结构和理解　244
02　知识获取和统计语义学　248
03　结构分析　252
04　文本生成　255
D　12章 知识表示和数据结构　263
01　数据库　264
02　检索　271
03　语义网络和语义网　277
D　13章 分布式计算　285
01　分布式计算和并行计算　286
02　硬件配置　287
03　软件配置　293
04　机器学习平台和深度学习平台　304
D　14章 人工智能与海量数据和物联网　311
01　数据膨胀　312
02　物联网和分布式人工智能　317
03　脑功能分析和机器人　322
04　创新系统　327


省略部分目录