神经网络与深度学习 PDF 清晰完整版

内容简介

随着AlphaGo与李世石大战的落幕，人工智能成为话题焦点。AlphaGo背后的工作原理"深度学习"也跳入大众的视野。什么是深度学习，什么是神经网络，为何一段程序在精密的围棋大赛中可以大获全胜？人工智终将会取代人类智慧吗？

本书结合日常生活中的寻常小事，生动形象地阐述了神经网络与深度学习的基本概念、原理和实践，案例丰富，深入浅出。对于正在进入人工智能时代的我们，这些内容无疑可以帮助我们更好地理解人工智能的原理，丰富我们对人类自身的认识，并启发我们对人机智能之争更深一层的思考与探索。

《神经网络与深度学习》是一本介绍神经网络和深度学习算法基本原理及相关实例的书籍，它不是教科书，作者已尽量把公式减少到最少，以适应绝大部分人的阅读基础和知识储备。《神经网络与深度学习》涵盖了神经网络的研究历史、基础原理、深度学习中的自编码器、深度信念网络、卷积神经网络等，这些算法都已在很多行业发挥了价值。

《神经网络与深度学习》适合有志于从事深度学习行业的，或想了解深度学习到底是什么的，或是有一定机器学习基础的朋友阅读。

目录

• 第0章写在前面：神经网络的历史1
• 第1章神经网络是个什么东西13
• 1.1买橙子和机器学习13
• 1.1.1规则列表14
• 1.1.2机器学习15
• 1.2怎么定义神经网络16
• 1.3先来看看大脑如何学习16
• 1.3.1信息输入17
• 1.3.2模式加工17
• 1.3.3动作输出18
• 1.4生物意义上的神经元19
• 1.4.1神经元是如何工作的19
• 1.4.2组成神经网络22
• 1.5大脑如何解决现实生活中的分类问题24
• 第2章构造神经网络26
• 2.1构造一个神经元26
• 2.2感知机30
• 2.3感知机的学习32
• 2.4用代码实现一个感知机34
• 2.4.1Neuroph：一个基于Java的神经网络框架34
• 2.4.2代码实现感知机37
• 2.4.3感知机学习一个简单逻辑运算39
• 2.4.4XOR问题42
• 2.5构造一个神经网络44
• 2.5.1线性不可分45
• 2.5.2解决XOR问题（解决线性不可分）49
• 2.5.3XOR问题的代码实现51
• 2.6解决一些实际问题54
• 2.6.1识别动物54
• 2.6.2我是预测大师59
• 第3章深度学习是个什么东西66
• 3.1机器学习67
• 3.2特征75
• 3.2.1特征粒度75
• 3.2.2提取浅层特征76
• 3.2.3结构性特征78
• 3.3浅层学习和深度学习81
• 3.4深度学习和神经网络83
• 3.5如何训练神经网络84
• 3.5.1BP算法：神经网络训练84
• 3.5.2BP算法的问题85
• 3.6总结深度学习及训练过程86
• 第4章深度学习的常用方法89
• 4.1模拟大脑的学习和重构90
• 4.1.1灰度图像91
• 4.1.2流行感冒92
• 4.1.3看看如何编解码93
• 4.1.4如何训练95
• 4.1.5有监督微调97
• 4.2快速感知：稀疏编码（SparseCoding）98
• 4.3栈式自编码器100
• 4.4解决概率分布问题：限制波尔兹曼机102
• 4.4.1生成模型和概率模型102
• 4.4.2能量模型107
• 4.4.3RBM的基本概念109
• 4.4.4再看流行感冒的例子111
• 4.5DBN112
• 4.6卷积神经网络114
• 4.6.1卷积神经网络的结构116
• 4.6.2关于参数减少与权值共享120
• 4.6.3举个典型的例子：图片内容识别124
• 4.7不会忘记你：循环神经网络131
• 4.7.1什么是RNN131
• 4.7.2LSTM网络136
• 4.7.3LSTM变体141
• 4.7.4结论143
• 4.8你是我的眼：利用稀疏编码器找图像的基本单位143
• 4.9你是我的眼（续）150
• 4.10使用深度信念网搞定花分类160
• 第5章深度学习的胜利：AlphaGo169
• 5.1AI如何玩棋类游戏169
• 5.2围棋的复杂性171
• 5.3AlphaGo的主要原理173
• 5.3.1策略网络174
• 5.3.2MCTS拯救了围棋算法176
• 5.3.3强化学习："周伯通，左右互搏"179
• 5.3.4估值网络181
• 5.3.5将所有组合到一起：树搜索182
• 5.3.6AlphaGo有多好185
• 5.3.7总结187
• 5.4重要的技术进步189
• 5.5一些可以改进的地方190
• 5.6未来192
• 第6章两个重要的概念194
• 6.1迁移学习194
• 6.2概率图模型197
• 6.2.1贝叶斯的网络结构201
• 6.2.2概率图分类204
• 6.2.3如何应用PGM208
• 第7章杂项210
• 7.1如何为不同类型的问题选择模型210
• 7.2我们如何学习"深度学习"211
• 7.3如何理解机器学习和深度学习的差异212
• 7.4大规模学习（LargeScaleLearning）和并行计算214
• 7.5如果喜欢应用领域，可以考虑以下几种应用215
• 7.6类脑：人工智能的终极目标216
• 参考文献218
• 术语220