鸠摩搜书下载
暂无已核验电子书资源；本站不展示未授权完整文件。
下载《深度学习》内容简介与阅读建议
获取这本书 暂无已核验电子书资源
《深度学习》内容简介
《深度学习》由全球知名的三位专家IanGoodfellow、YoshuaBengio和AaronCourville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识;第2部分系统深入地讲解现今已成熟的深度学习方法和技术;第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。
《深度学习》书籍信息摘要
《深度学习》内容简介与阅读建议，作者 [美]伊恩·古德费洛/[加]约书亚·本吉奥/[加]亚伦·库维，科技技术，2017年。获取前建议核对作者、出版社、年份、ISBN、版本和正版渠道。相关主题：深度学习、生成模型、神经网络、计算机、计算机类。
- 作者：[美]伊恩·古德费洛/[加]约书亚·本吉奥/[加]亚伦·库维
- 分类：科技技术
- 出版年份：2017
- 出版社：人民邮电出版社
- 页数：500 页
- 语言：中文
- 格式：暂无已核验合规下载格式
《深度学习》适合哪些读者？
适合希望系统学习技术概念、实践方法、工具使用和行业知识的读者。 评分 8.3 可作为选书参考。
获取建议
《深度学习》怎么获取更合适？
优先确认版本和阅读目的；下载区只展示已核验的公版、授权、开放许可或官方试读资源。
版本
优先选择作者、译者、出版社、出版年份和 ISBN 信息明确的版本；经典作品可优先选择校注、导读或权威出版社版本。
目录
- 第1章 引言1
- 11本书面向的读者7
- 12深度学习的历史趋势8
- 121神经网络的众多名称和命运变迁8
- 122与日俱增的数据量12
- 123与日俱增的模型规模13
- 124与日俱增的精度、复杂度和对现实世界的冲击15
- 第1部分 应用数学与机器学习基础
展开全部（共 300 章节）
- 第2章 线性代数19
- 21标量、向量、矩阵和张量19
- 22矩阵和向量相乘21
- 23单位矩阵和逆矩阵22
- 24线性相关和生成子空间23
- 25范数24
- 26特殊类型的矩阵和向量25
- 27特征分解26
- 28奇异值分解28
- 29Moore-Penrose伪逆28
- 210迹运算29
- 211行列式30
- 212实例：主成分分析30
- 第3章 概率与信息论34
- 31为什么要使用概率34
- 32随机变量35
- 33概率分布36
- 331离散型变量和概率质量函数36
- 332连续型变量和概率密度函数36
- 34边缘概率37
- 35条件概率37
- 36条件概率的链式法则38
- 37独立性和条件独立性38
- 38期望、方差和协方差38
- 39常用概率分布39
- 391Bernoulli分布40
- 392Multinoulli分布40
- 393高斯分布40
- 394指数分布和Laplace分布41
- 395Dirac分布和经验分布42
- 396分布的混合42
- 310常用函数的有用性质43
- 311贝叶斯规则45
- 312连续型变量的技术细节45
- 313信息论47
- 314结构化概率模型49
- 第4章 数值计算52
- 41上溢和下溢52
- 42病态条件53
- 43基于梯度的优化方法53
- 431梯度之上：Jacobian和Hessian矩阵56
- 44约束优化60
- 45实例：线性最小二乘61
- 第5章 机器学习基础63
- 51学习算法63
- 511任务T63
- 512性能度量P66
- 513经验E66
- 514示例：线性回归68
- 52容量、过拟合和欠拟合70
- 521没有免费午餐定理73
- 522正则化74
- 53超参数和验证集76
- 531交叉验证76
- 54估计、偏差和方差77
- 541点估计77
- 542偏差78
- 543方差和标准差80
- 544权衡偏差和方差以最小化均方误差81
- 545一致性82
- 55最大似然估计82
- 551条件对数似然和均方误差84
- 552最大似然的性质84
- 56贝叶斯统计85
- 561最大后验(MAP)估计87
- 57监督学习算法88
- 571概率监督学习88
- 572支持向量机88
- 573其他简单的监督学习算法90
- 58无监督学习算法91
- 581主成分分析92
- 582k-均值聚类94
- 59随机梯度下降94
- 510构建机器学习算法96
- 511促使深度学习发展的挑战96
- 5111维数灾难97
- 5112局部不变性和平滑正则化97
- 5113流形学习99
- 第2部分 深度网络：现代实践
- 第6章 深度前馈网络105
- 61实例：学习XOR107
- 62基于梯度的学习110
- 621代价函数111
- 622输出单元113
- 63隐藏单元119
- 631整流线性单元及其扩展120
- 632logisticsigmoid与双曲正切函数121
- 633其他隐藏单元122
- 64架构设计123
- 641万能近似性质和深度123
- 642其他架构上的考虑126
- 65反向传播和其他的微分算法126
- 651计算图127
- 652微积分中的链式法则128
- 653递归地使用链式法则来实现反向传播128
- 654全连接MLP中的反向传播计算131
- 655符号到符号的导数131
- 656一般化的反向传播133
- 657实例：用于MLP训练的反向传播135
- 658复杂化137
- 659深度学习界以外的微分137
- 6510高阶微分138
- 66历史小记139
- 第7章 深度学习中的正则化141
- 71参数范数惩罚142
- 711L2参数正则化142
- 712L1正则化144
- 72作为约束的范数惩罚146
- 73正则化和欠约束问题147
- 74数据集增强148
- 75噪声鲁棒性149
- 751向输出目标注入噪声150
- 76半监督学习150
- 77多任务学习150
- 78提前终止151
- 79参数绑定和参数共享156
- 791卷积神经网络156
- 710稀疏表示157
- 711Bagging和其他集成方法158
- 712Dropout159
- 713对抗训练165
- 714切面距离、正切传播和流形正切分类器167
- 第8章 深度模型中的优化169
- 81学习和纯优化有什么不同169
- 811经验风险最小化169
- 812代理损失函数和提前终止170
- 813批量算法和小批量算法170
- 82神经网络优化中的挑战173
- 821病态173
- 822局部极小值174
- 823高原、鞍点和其他平坦区域175
- 824悬崖和梯度爆炸177
- 825长期依赖177
- 826非精确梯度178
- 827局部和全局结构间的弱对应178
- 828优化的理论限制179
- 83基本算法180
- 831随机梯度下降180
- 832动量181
- 833Nesterov动量183
- 84参数初始化策略184
- 85自适应学习率算法187
- 851AdaGrad187
- 852RMSProp188
- 853Adam189
- 854选择正确的优化算法190
- 86二阶近似方法190
- 861牛顿法190
- 862共轭梯度191
- 863BFGS193
- 87优化策略和元算法194
- 871批标准化194
- 872坐标下降196
- 873Polyak平均197
- 874监督预训练197
- 875设计有助于优化的模型199
- 876延拓法和课程学习199
- 第9章 卷积网络201
- 91卷积运算201
- 92动机203
- 93池化207
- 94卷积与池化作为一种无限强的先验210
- 95基本卷积函数的变体211
- 96结构化输出218
- 97数据类型219
- 98高效的卷积算法220
- 99随机或无监督的特征220
- 910卷积网络的神经科学基础221
- 911卷积网络与深度学习的历史226
- 第10章 序列建模：循环和递归网络227
- 101展开计算图228
- 102循环神经网络230
- 1021导师驱动过程和输出循环网络232
- 1022计算循环神经网络的梯度233
- 1023作为有向图模型的循环网络235
- 1024基于上下文的RNN序列建模237
- 103双向RNN239
- 104基于编码-解码的序列到序列架构240
- 105深度循环网络242
- 106递归神经网络243
- 107长期依赖的挑战244
- 108回声状态网络245
- 109渗漏单元和其他多时间尺度的策略247
- 1091时间维度的跳跃连接247
- 1092渗漏单元和一系列不同时间尺度247
- 1093删除连接248
- 1010长短期记忆和其他门控RNN248
- 10101LSTM248
- 10102其他门控RNN250
- 1011优化长期依赖251
- 10111截断梯度251
- 10112引导信息流的正则化252
- 1012外显记忆253
- 第11章 实践方法论256
- 111性能度量256
- 112默认的基准模型258
- 113决定是否收集更多数据259
- 114选择超参数259
- 1141手动调整超参数259
- 1142自动超参数优化算法262
- 1143网格搜索262
- 1144随机搜索263
- 1145基于模型的超参数优化264
- 115调试策略264
- 116示例：多位数字识别267
- 第12章 应用269
- 121大规模深度学习269
- 1211快速的CPU实现269
- 1212GPU实现269
- 1213大规模的分布式实现271
- 1214模型压缩271
- 1215动态结构272
- 1216深度网络的专用硬件实现273
- 122计算机视觉274
- 1221预处理275
- 1222数据集增强277
- 123语音识别278
- 124自然语言处理279
- 1241n-gram280
- 1242神经语言模型281
- 1243高维输出282
- 1244结合n-gram和神经语言模型286
- 1245神经机器翻译287
- 1246历史展望289
- 125其他应用290
- 1251推荐系统290
- 1252知识表示、推理和回答292
- 第3部分 深度学习研究
- 第13章 线性因子模型297
- 131概率PCA和因子分析297
- 132独立成分分析298
- 133慢特征分析300
- 134稀疏编码301
- 135PCA的流形解释304
- 第14章 自编码器306
- 141欠完备自编码器306
- 142正则自编码器307
- 1421稀疏自编码器307
- 1422去噪自编码器309
- 1423惩罚导数作为正则309
- 143表示能力、层的大小和深度310
- 144随机编码器和解码器310
- 145去噪自编码器详解311
- 1451得分估计312
- 1452历史展望314
- 146使用自编码器学习流形314
- 147收缩自编码器317
- 148预测稀疏分解319
- 149自编码器的应用319
- 第15章表示学习321
- 151贪心逐层无监督预训练322
- 1511何时以及为何无监督预训练有效有效323
- 152迁移学习和领域自适应326
- 153半监督解释因果关系329
- 154分布式表示332
- 155得益于深度的指数增益336
- 156提供发现潜在原因的线索337
- 第16章 深度学习中的结构化概率模型339
- 161非结构化建模的挑战339
- 162使用图描述模型结构342
- 1621有向模型342
- 1622无向模型344
- 1623配分函数345
- 1624基于能量的模型346
- 1625分离和d-分离347
- 1626在有向模型和无向模型中转换350
- 1627因子图352
- 163从图模型中采样353
- 164结构化建模的优势353
- 165学习依赖关系354
- 166推断和近似推断354
- 167结构化概率模型的深度学习方法355
- 1671实例：受限玻尔兹曼机356
- 第17章 蒙特卡罗方法359
- 171采样和蒙特卡罗方法359
- 1711为什么需要采样359
- 1712蒙特卡罗采样的基础359
- 172重要采样360
- 173马尔可夫链蒙特卡罗方法362
- 174Gibbs采样365
- 175不同的峰值之间的混合挑战365
- 1751不同峰值之间通过回火来混合367
- 1752深度也许会有助于混合368
- 第18章 直面配分函数369
- 181对数似然梯度369
- 182随机最大似然和对比散度370
- 183伪似然375
- 184得分匹配和比率匹配376
- 185去噪得分匹配378
- 186噪声对比估计378
- 187估计配分函数380
- 1871退火重要采样382
合规获取说明
当前暂无已核验电子书资源。若是商业出版物，建议优先通过出版社、书店或官方电子书平台获取。
常见问题
《深度学习》适合谁读？
适合希望系统学习技术概念、实践方法、工具使用和行业知识的读者。 评分 8.3 可作为选书参考。
《深度学习》阅读难度高吗？
建议先看简介、目录、作者和相关书籍，再判断是否适合当前阶段阅读。
《深度学习》纸质书值得买吗？
当前暂未接入已核验的纸质书购买链接，建议通过出版社、京东、当当等正版渠道核对版本后购买。
《深度学习》哪个版本更适合？
优先选择作者、译者、出版社、出版年份和 ISBN 信息清楚的版本；经典作品可优先选择校注、导读或权威出版社版本。
在哪里可以合法获取《深度学习》？
当前没有确认授权的电子书下载资源，也暂未接入已核验购买链接；商业出版物不提供未授权下载，建议通过出版社、京东、当当或官方电子书平台核对获取。
如何继续查找《深度学习》相关书籍？
可以进入 [美]伊恩·古德费洛/[加]约书亚·本吉奥/[加]亚伦·库维 作者页查看其他作品，也可以通过分类、标签、排行榜、人工推荐和“读完这本还可以读”继续发现相近主题。
相关书籍
