人工智能算法 卷3 深度学习和神经网络
链接：pan.baidu.com/s/1PimnaQreGtAEclYZPaC8Kw?pwd=wyp9
提取码：wyp9
自早期以来，神经网络就一直是人工智能的支柱。现在，令人兴奋的新技术（例如深度学习和卷积）正在将神经网络带入一个全新的方向。在本书中，我们将演示各种现实世界任务中的神经网络，例如图像识别和数据科学。我们研究了当前的神经网络技术，包括ReLU 激活、随机梯度下降、交叉熵、正则化、Dropout 及可视化等。
《人工智能算法 卷3 深度学习和神经网络（全彩印刷）》
第 1 章 神经网络基础 1
1.1 神经元和层 2
1.2 神经元的类型 5
1.3 激活函数 10
1.4 修正线性单元（ReLU）13
1.5 神经网络逻辑 19
1.6 本章小结 22
第 2 章 自组织映射 23
2.1 自组织映射 24
2.2 本章小结 33
第 3 章 Hopfield 网络和玻尔兹曼机34
3.1 Hopfield 神经网络 34
3.2 Hopfield-Tank 网络 41
3.3 玻尔兹曼机 42
3.4 应用玻尔兹曼机 45
3.5 本章小结 51
第 4 章 前馈神经网络 53
4.1 前馈神经网络结构 54
4.2 计算输出 56
4.3 初始化权重 60
4.4 径向基函数网络 63
4.5 规范化数据 67
4.6 本章小结 75
第 5 章 训练与评估 77
5.1 评估分类 78
5.2 评估回归 88
5.3 模拟退火训练 89
5.4 本章小结 92
第 6 章 反向传播训练 93
6.1 理解梯度 93
6.2 计算输出节点增量 98
6.3 计算剩余节点增量 99
6.4 激活函数的导数 100
6.5 应用反向传播 103
6.6 本章小结 108
第 7 章 其他传播训练 110
7.1 弹性传播 110
7.2 RPROP 参数 111
7.3 数据结构 113
7.4 理解 RPROP 114
7.5 Levenberg-Marquardt 算法 116
7.6 Hessian 矩阵的计算 119
7.7 具有多个输出的 LMA 120
7.8 LMA 过程概述 122
7.9 本章小结 122
第 8 章 NEAT，CPPN 和 HyperNEAT 124
8.1 NEAT 网络 125
8.2 CPPN 网络 134
8.3 HyperNEAT 网络 138
8.4 本章小结 142
第 9 章 深度学习 143
9.1 深度学习组件 143
9.2 部分标记的数据 144
9.3 修正线性单元 145
9.4 卷积神经网络 145
9.5 神经元 Dropout 146
9.6 GPU 训练 147
9.7 深度学习工具 149
9.8 深度信念神经网络 152
9.9 本章小结 164
第 10 章 卷积神经网络 165
10.1 LeNET-5 166
10.2 卷积层 168
10.3 最大池层 170
10.4 稠密层 172
10.5 针对 MNIST 数据集的 ConvNets 172
10.6 本章小结 174
第 11 章 剪枝和模型选择 175
11.1 理解剪枝 176
11.2 剪枝算法 177
11.3 模型选择 179
11.4 本章小结 185
第 12 章 Dropout 和正则化 186
12.1 L1 和 L2 正则化 187
12.2 Dropout 层 190
12.3 使用 Dropout 194
12.4 本章小结 195
第 13 章 时间序列和循环网络 197
13.1 时间序列编码 198
13.2 简单循环神经网络 204
13.3 本章小结 213
第 14 章 架构神经网络 214
14.1 评估神经网络 215
14.2 训练参数 215
14.3 常规超参数 220
14.4 LeNet-5 超参数 223
14.5 本章小结 224
第 15 章 可视化 226
15.1 混淆矩阵 227
15.2 t-SNE 降维 229
15.3 本章小结 236
第 16 章 用神经网络建模 237
16.0.1 挑战赛的经验 241
16.0.2 挑战赛取胜的方法 242
16.0.3 我们在挑战赛中的方法 244
16.1 用深度学习建模 245
16.2 本章小结 250
附录 A 示例代码使用说明 252
A.1 系列图书简介 252
A.2 保持更新 252
A.3 获取示例代码 253
A.3.1 下载压缩文件 253
A.3.2 克隆 Git 仓库 254
A.4 示例代码的内容 255
A.5 如何为项目做贡献 257
参考资料 259
