| 作者 |
| [美]托威赫·贝索洛（Taweh Beysolow II） |
| 丛书名 |
| 智能系统与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111604372 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书内容主要涉及：深度学习的数学理论基础，包括重要的统计学和线性代数的相关基本概念和知识；深度学习的各种典型模型，例如传统的单层感知器模型、多层感知器模型，以及卷积神经网络、循环神经网络、受限玻耳兹曼机、深度信念网络等一些更为复杂的模型；构建深度学习模型的实验设计方法以及实验过程中的特征选择方法；应用R语言进行机器学习和深度学习实践的案例。 |
| 目录 |
| 译者序 关于作者 关于技术审稿人 前言 第1章深度学习简介 11深度学习模型 111单层感知器模型 112多层感知器模型 113卷积神经网络 114循环神经网络 115受限玻耳兹曼机 116深度信念网络 12其他 121实验设计 122特征选择 123机器学习及深度学习应用 124深度学习的历史 13小结 第2章数学知识回顾 21统计学基本概念 211概率 212交与并 213贝叶斯定理 214随机变量 215方差 216标准差 217可决系数 218均方误差 22线性代数 221标量和向量 222向量的特性 223公理 224子空间 225矩阵 23小结 第3章优化及机器学习回顾 31无约束优化 311局部极小值 312全局极小值 313局部极小值的条件 32近邻算法 33机器学习方法：有监督学习 331机器学习的历史 332什么是算法 34回归模型 35选择合适的学习速率 351牛顿法 352LevenbergMarquardt启发式方法 36多重共线性 37评价回归模型 38分类 381逻辑回归 382受试者工作特征曲线 383混淆矩阵 384逻辑回归的局限性 385支持向量机 39机器学习方法：无监督学习 391K均值聚类 392K均值聚类的局限性 310最大期望算法 311决策树学习 312集成方法以及其他启发式算法 313贝叶斯学习 314强化学习 315小结 第4章单层及多层感知器模型 41单层感知器模型 411训练感知器模型 412WH算法 413单层感知器模型的局限性 414汇总统计结果 42多层感知器模型 421收敛得到全局最优解 422MLP模型中的反向传播算法 423MLP模型的局限性和讨论 424应该使用几层隐含层，又应该有多少个神经元 43小结 第5章卷积神经网络 51CNN的结构和特点 52CNN的组成 521卷积层 522池化层 523修正线性单元层 524全连接层 525损失层 53参数调整 54经典的CNN架构 55正则化 56小结 第6章循环神经网络 61完全循环网络 62使用时间反向传播训练RNN 63Elman神经网络 64神经历史压缩器 65长短期记忆网络 66RNN里的结构化抑制 67参数调优更新算法 68RNN的实际案例：模式检测 69小结 第7章自编码器、受限玻耳兹曼机及深度信念网络 71自编码器 72受限玻耳兹曼机 73深度信念网络 74快速学习算法 75小结 第8章实验设计与启发 81方差分析 82F统计和F分布 83PlackettBurman设计 84空间填充 85全因子 86Halton、Faure和Sobol序列 87A/B测试 871简单双样本A/B测试 872A/B测试中的β二项层次模型 88特征、变量选择技术 881后向与前向选择 882主成分分析 883因子分析 89处理分类数据 891因子水平编码 892分类标签问题：太多水平值 893典型相关分析 810包裹式、过滤式及嵌入式算法 811其他局部搜索算法 8111登山算法 8112遗传算法 8113模拟退火 8114蚁群优化算法 8115变邻域搜索算法 812反应式搜索优化 8121反应式禁忌 8122固定禁忌搜索 8123反应式禁忌搜索 8124WalkSAT算法 8125K近邻 813小结 第9章软硬件建议 91使用标准硬件处理数据 92固态硬盘和硬盘驱动器 93图形处理单元 94中央处理器 95随机存取存储器 96主板 97供电设备 98机器学习软件的优化 99小结 第10章机器学习实例 101问题1：资产价格预测 1011问题类型：有监督学习——回归 1012实验说明 1013特征选择 1014模型评价 102问题2：速配 1021问题类型：分类 1022数据预处理：数据清洗和填充 1023特征选择 1024模型训练和评价 103小结 第11章深度学习及其他实例 111自编码器 112卷积神经网络 1121预处理 1122模型构建和训练 113协同过滤 114小结 结束语 |