深度学习原理及实践——详解图像处理和信号识别领域的14个案例
本书从深度学习原理、算法和工程实践三个维度阐述信号处理,内容新颖、配套资源丰富、可读性强。

作者:郭业才

丛书名:人工智能科学与技术丛书

定价:89元

印次:1-1

ISBN:9787302683018

出版日期:2025.04.01

印刷日期:2025.02.24

图书责编:曾珊

图书分类:零售

电子书
在线购买
分享
内容简介
作者简介
前言序言
资源下载
查看详情 查看详情 查看详情

"本书一部从深度学习原理、算法和工程实践三个维度阐述信号处理的著作。涉及人工神经网络、卷积神经网络、生成对抗网络、长短时间记忆网络、深度自编码器及循环神经网络等模型在图像处理、信号识别及波达估计等领域的应用。利用大量实例代码对网络模型进行分析,这些案例架起了深度学习原理与应用间的桥梁,有利于加深读者对网络模型的认识,有利于读者全面深入系统地了解深度学习的算法原理、核心思想和应用技巧,达到学以致用的目的。 本书适用于从事大数据及机器学习领域工作,对人工智能和深度学习感兴趣的各类读者。"

郭业才,男,博士、博导,2006年全国优秀百篇博士学位论文获得者。主持完成或承担了全国优秀博士学位论文作者专项资金、国家自然科学基金等科研项目和国家级省级教学研究项目等,共20余项;获省级科学技术成果奖和教学成果奖7项;获批并出版国家级规划教材1部、教育部电子信息类教指委规划教材3部及省重点教材2部;获授权发明专利30余件。

前言 作为机器学习的分支,深度学习是近年来人工智能领域取得的最重要的突破之一,可以简单理解为神经网络的发展。通过深度学习,系统会自动提取非常多的特征及特征组合,并找出有用的特征; 深度学习在处理线性不可分问题时,通过解决一个又一个的简单问题,达到解决复杂问题的目的,也可以认为它通过一层又一层的中间层实现了复杂的功能。近年来,深度学习在语音、图像、生物识别、自然语言处理、机器人、博弈、医疗、金融、艺术、无人驾驶等诸多领域都获得了巨大成功,成为智能时代的关键技术。 本书汇集了笔者及其团队在深度学习方面多年的研究心得和成果; 同时,吸收了其他作者在国内外重要期刊所发表论文中的最新成果。全书共四篇11章,第一篇为深度学习基础篇,内容包括深度学习形成与发展过程及其数学与优化基础; 第二篇为神经网络篇,内容包括人工神经网络、Hopfield神经网络和脉冲耦合神经网络; 第三篇为卷积神经网络篇,内容包括深度卷积神经网络、混合空洞卷积神经网络和深度生成对抗与强化学习网络; 第四篇为循环递归神经网络篇,内容包括循环神经网络、深度递归级联卷积神经网络和长短期记忆神经网络。 全书紧跟国内外深度学习领域的研究动态。从辩证角度,对目前受到关注的一些深度学习模型、原理及训练流程等进行了详细阐述; 从系统角度,各种深度学习网络起始于原理剖析、侧重于方法论述、落脚于应用领域,体系结构完整; 从应用角度,以最新应用成果为实例,搭建了深度学习网络与解决具体问题之桥梁,生动展现了解决问题之道,体现了解决问题之效,实现了从抽象到具体、从微观机制到宏观应用的转换; 从进阶角度,始于深度学习基础,按...

暂无课件

样章下载

暂无网络资源

扫描二维码
下载APP了解更多

目录
荐语
查看详情 查看详情

目录

第一篇深度学习基础篇

第1章深度学习概述

1.1人工智能

1.1.1人工智能概念

1.1.2人工智能发展历程

1.1.3人工智能学派

1.2机器学习

1.2.1机器学习问题描述

1.2.2机器学习理论基础

1.2.3机器学习基本流程

1.2.4机器学习知识框架

1.2.5机器学习三要素

1.2.6机器学习路线图

1.3表示学习

1.3.1表示学习基本概念

1.3.2表示学习理论基础

1.3.3网络表示学习流程

1.4深度学习

1.4.1深度学习与传统机器学习处理过程

1.4.2深度学习训练算法

1.4.3深度学习知识体系

1.4.4深度学习与机器学习、人工智能的关系

第2章深度学习的数学与优化基础

2.1导数与梯度

2.1.1导数

2.1.2方向导数

2.1.3梯度

2.2线性代数

2.2.1线性变换

2.2.2矩阵

2.2.3基变换

2.2.4特征值和特征向量

2.3概率论

2.3.1概率

2.3.2随机变量及其分布

2.3.3随机变量的数字特征

2.3.4随机信号中的常见分布律

2.4学习规则

2.4.1赫布规则

2.4.2性能曲面和最佳点

2.5性能优化

2.5.1最速下降法

2.5.2牛顿法

2.5.3共轭梯度法

2.6信息与熵

2.6.1信息及信息量

2.6.2信息熵

2...

本书利用大量实例代码对网络模型进行分析,这些案例架起了深度学习原理与应用间的桥梁,有利于加深读者对网络模型的认识,有利于读者全面深入系统地了解深度学习的算法原理、核心思想和应用技巧,达到学以致用的目的。