新書推薦：
《
晚明的崩溃：人心亡了，一切就都亡了！
》
售價：HK$
71.8
《
俄国女皇：叶卡捷琳娜二世传（精装插图版）
》
售價：HK$
81.6
《
真想让我爱的人读读这本书
》
售價：HK$
57.6
《
解套基本逻辑与六大战法
》
售價：HK$
58.8
《
超级制造
》
售價：HK$
143.9
《
明朝270年：明朝的外交博弈和权力游戏
》
售價：HK$
69.6
《
禅之道（畅销全球60余年的一代经典，揭示禅对现代人的解脱意义）
》
售價：HK$
82.8
《
改变历史的意大利豪门 ： 传奇家族美第奇
》
售價：HK$
90.0
|
| 編輯推薦： |
（1） 坚持“原理、技术、应用”三位一体原则，注重基础性、系统性、前沿性和实用性的统一。
（2） 知识体系全、技术框架新，涵盖了目前行业应用的最新深度学习技术。
（3） 既注重整体思路设计，又注重核心技术细节分析，使得学生学习时“既见树木又见森林”。
（4） 源自作者20多年从事人工智能基础理论、计算机视觉、自然语言理解和语音识别等领域的科研积累，提供大量典型、实用最新方法讲解和分析。
（5） 在深入浅出的讲解中将最新理论成果与实际问题解决过程相结合，培养学生解决复杂工程问题能力。
（6） 以问题为中心来呈现技术演变进展，培养学生“发现问题、分析问题、解决问题”能力，启发学生创新思维。
|
| 內容簡介： |
|
本书根据深度学习技术发展速度快、理论性与实践性强、应用广泛等特点，结合教学、科研及应用需求，坚持“原理、技术、应用”三位一体原则，注重基础性、系统性、前沿性和实用性的统一，对深度学习的**方法与研究趋势进行全面深入的研究和探索。全书分成四部分：第一部分是人工智能基础，重点阐述人工智能的概念、发展历史和发展趋势等；第二部分是深度学习基础，包括机器学习基础理论、深度学习基础、深度学习网络的优化方法和技巧；第三部分是经典神经网络技术，包括卷积神经网络、循环神经网络、神经网络的区分性训练、序列到序列建模；第四部分是高级深度学习技术，包括自编码器、迁移学习、生成对抗网络、终身学习、深度强化学习、元学习、自监督学习等。 本书在深入浅出的讲解中将**理论成果与实际问题解决过程相结合，培养学生的创新思维和解决复杂工程问题能力，适用于人工智能、网络安全、通信工程、信息工程等专业高年级本科生、研究生教学，可作为人工智能相关领域的科研人员、工程师的重要参考书。
|
| 關於作者： |
屈丹，信息工程大学人工智能教研室副主任、教授、博士生导师，视听感知与语言认知方向学术带头人，国家科技部、国家自然科学基金委评审专家，省部级智能语音处理领域专家组副组长。从事人工智能与机器学习理论、语音处理与识别、自然语言理解、计算机视觉等领域教学科研工作。承担“人工智能导论”“机器学习”“深度学习”“自然语言理解”“语音处理与识别”等课程教学任务，主持国家863课题、国家自然科学基金、国家社会科学基金、省部级重点预研等科研项目20余项。获得省部级科技进步二等奖4项、三等奖1项，发表学术论文110篇，被三大检索收录60篇。申请国家发明专利、软件著作权近20项，出版专著教材6部。三次获得军队人才岗位津贴，荣立三等功2次。
张文林，信息工程大学人工智能教研室副教授、硕士生导师，从事智能信息处理、语音识别等领域教学科研工作。承担“机器学习”“深度学习”“自然语言理解”“强化学习”等课程教学任务，先后主持国家自然科学基金项目1项、中国博士后科学基金面上一等资助项目1项、省部级重点课题多项，博士学位论文获得2015年度河南省优秀博士学位论奖，曾获省部级科技进步二等奖3项、三等奖1项，发表学术论文40余篇，其中三大检索20余篇，获授权或受理国家发明专利10余项，软件著作权5项。出版专著教材3部，2次荣立三等功。
杨绪魁，信息工程大学人工智能教研室讲师，从事人工智能与机器学习理论、语音处理与识别、自然语言理解等领域教学科研工作。承担“人工智能导论”“语音处理与识别”“深度学习”等课程教学任务，主持国家社会科学基金青年基金项目1项，参与国家自然科学基金、国家社会科学基金、河南省自然科学基金、省部级预先研究、省部级重大装备项目等项目多项，获省部级自然科学奖工程二等奖1项、自然科学奖工程三等奖1项，在SCI期刊、中文核刊上发表论文十余篇，出版专著教材3部，申请国家发明专利、软件著作权10项，荣立三等功1次。
|
| 目錄：
|
第1章人工智能技术概览
1．1人工智能的概念
1．1．1智能的基本概念
1．1．2人类智能的度量
1．1．3人工智能的概念
1．2人工智能的发展历程
1．2．1人工智能诞生前的50年
1．2．2人工智能发展的第一阶段
1．2．3人工智能发展的第二阶段
1．2．4人工智能发展的第三阶段
1．3人工智能的学术流派
1．3．1戴维·阿兰格里尔的学术流派划分
1．3．2佩德罗·多明戈斯的学术流派划分
1．3．3人工智能学术流派的重新划分
1．4人工智能的未来发展
1．4．1无监督学习、元学习正在突破通用智能
1．4．2实时强化学习技术趋于成熟
1．4．3可解释性知识推理技术成为研究重点
1．4．4开放式持续学习技术受到广泛关注
1．4．5不同流派人工智能技术融合认知开辟新的技术路径
1．4．6应用场景朝小数据量、恶劣环境、非完整数据方向发展
1．5本章小结
参考文献
第2章机器学习理论基础
2．1机器学习基本概念
2．1．1学习与机器学习
2．1．2机器学习的分类
2．1．3感知机及其学习算法
2．2可能近似正确学习理论
2．2．1机器学习的不可行性
2．2．2概率近似正确学习理论
2．3VC维理论
2．3．1假设的有效数量
2．3．2突破点
2．3．3上限函数
2．3．4VC维
2．4三个最基本机器学习模型
2．4．1线性分类
2．4．2线性回归
2．4．3逻辑回归
2．4．4三种基本机器学习算法对比分析
2．5本章小结
参考文献
第3章深度学习基础
3．1深度学习的基本定义和特点
3．1．1神经元与生物神经网络
3．1．2人工神经元及其分类能力
3．1．3单隐含层神经网络的能力
3．1．4深度学习
3．2深度学习网络设计的三个核心问题
3．2．1定义网络结构
3．2．2目标函数选择
3．2．3优化算法选择
3．3后向传播算法
3．3．1输出端的损失梯度
3．3．2隐含层的损失梯度
3．3．3神经网络参数的损失梯度
3．3．4算法整理流图
3．4本章小结
参考文献
第4章深度学习网络优化技巧
4．1深度学习网络优化学习
4．1．1定义网络结构
4．1．2目标函数选择
4．1．3优化算法选择
4．1．4深度学习算法检查
4．2新激活函数选择
4．2．1梯度消失问题
4．2．2ReLU函数
4．2．3ReLU函数的变形
4．2．4其他激活函数
4．3优化算法
4．3．1基本优化算法
4．3．2梯度方向调整优化算法
4．3．3自适应学习率
4．3．4步长和方向联合优化算法
4．4测试集性能优化技巧
4．4．1提前终止策略
4．4．2正则化
4．4．3丢弃法
4．5本章小结
参考文献
第5章卷积神经网络
5．1卷积神经网络概述
5．1．1卷积神经网络的历史
5．1．2卷积神经网络的结构
5．2卷积神经网络与全连接网络的关系
5．2．1连接稀疏性
5．2．2参数共享机制
5．3典型的卷积神经网络
5．3．1LeNet5网络
5．3．2AlexNet网络
5．3．3ZFNet网络
5．3．4VGGNet网络
5．3．5GoogLeNet网络
5．3．6残差网络
5．3．7挤压激励网络
5．3．8区域卷积神经网络及其拓展版本
5．4本章小结
参考文献
本章知识点补充
第6章循环神经网络
6．1循环神经网络的引入
6．2循环神经网络的结构
6．3循环神经网络的训练
6．3．1循环神经网络的前向传播
6．3．2循环神经网络的依时间反向传播
6．3．3循环神经网络的梯度消失与梯度爆炸问题
6．4长短时记忆单元与门循环单元
6．4．1长短时记忆单元
6．4．2门循环单元
6．5循环神经网络的扩展
6．5．1深层循环神经网络
6．5．2双向循环神经网络
6．6循环神经网络的应用
6．6．1多到一模式
6．6．2一到多模式
6．6．3同步多到多模式
6．6．4异步多到多模式
6．7本章小结
参考文献
第7章神经网络的区分性训练
7．1最小交叉熵与最大似然估计
7．2区分性训练准则
7．3序列模型的区分性训练
7．3．1最大互信息准则
7．3．2增强型MMI
7．3．3最小音素错误/状态级最小贝叶斯风险
7．3．4序列区分性训练准则的一般形式
7．4序列区分性训练准则应用实例
7．4．1基于词图的序列区分性训练
7．4．2词图无关的序列区分性训练
7．5本章小结
参考文献
第8章序列到序列模型
8．1序列到序列模型基本原理
8．1．1序列到序列模型的引入
8．1．2序列到序列模型构成
8．2连续时序分类准则
8．2．1连续时序分类准则定义
8．2．2连续时序分类准则的解码
8．3注意力模型
8．3．1注意力模型定义与原理
8．3．2自注意力机制
8．4Transformer模型
8．4．1Transformer模型组成
8．4．2Transformer模型的核心技术
8．5BERT模型与GPT模型
8．5．1BERT模型
8．5．2GPT模型
8．5．3与其他模型异同点分析
8．6后BERT模型时代的新模型算法
8．6．1XLNet模型及原理
8．6．2ERNIE模型及原理
8．6．3ALBERT模型及原理
8．7序列到序列模型的应用
8．8本章小结
参考文献
第9章自编码器
9．1自编码器的定义与基本原理
9．1．1自编码器的通用框架
9．1．2栈式自编码器
9．2正则自编码器
9．2．1稀疏自编码器
9．2．2降噪自编码器
9．2．3收缩自编码器
9．3变分自编码器
9．3．1目标函数
9．3．2优化过程
9．3．3条件变分自编码器
9．4VAE的改进算法
9．4．1betaVAE
9．4．2infoVAE
9．5对抗自编码器
9．5．1AAE与VAE
9．5．2introVAE
9．6本章小结
参考文献
第10章迁移学习
10．1迁移学习的基本原理
10．1．1迁移学习的定义
10．1．2迁移学习的分类
10．1．3迁移学习的意义
10．2基于特征的迁移学习
10．2．1分布差异矩阵
10．2．2特征增强
10．2．3特征映射
10．2．4特征选择
10．2．5特征对齐
10．2．6基于深度学习的特征迁移
10．3基于模型的迁移学习
10．3．1深度网络的可迁移性
10．3．2基于KL散度的迁移学习
10．3．3基于知识蒸馏的迁移学习
10．4基于样例的迁移学习
10．5迁移学习前沿
10．5．1混合智能迁移学习
10．5．2传递式迁移学习
10．5．3终身迁移学习
10．5．4对抗迁移学习
10．5．5迁移强化学习
10．5．6迁移学习的可解释性
10．6本章小结
参考文献
第11章终身学习
11．1终身学习原理
11．1．1终身学习的定义
11．1．2DARPA的L2M项目
11．1．3终身学习的关键问题
11．2深度学习与终身学习
11．2．1生物学依据
11．2．2现有方法的分类
11．3弹性权值巩固
11．3．1EWC中的贝叶斯理论
11．3．2EWC的目标函数
11．3．3参数重要性的估计
11．4自组织增量学习神经网络
11．4．1自组织映射
11．4．2自组织增量学习神经网络
11．4．3算法优、缺点
11．5梯度情景记忆
11．5．1知识的前向迁移与后向迁移
11．5．2情景记忆损失函数
11．5．3模型求解
11．6本章小结
参考文献
第12章生成对抗网络
12．1生成对抗网络引入
12．1．1无监督学习与生成模型
12．1．2生成对抗网络简介
12．2生成对抗网络的基本原理
12．3生成对抗网络训练过程的数学推导
12．3．1最大似然估计
12．3．2生成对抗网络的训练准则函数
12．3．3生成对抗网络的训练过程
12．4生成对抗网络的工程实现及主要问题
12．4．1生成对抗网络的工程实现
12．4．2生成对抗网络的工程实现中的问题
12．5GAN的变体
12．5．1WGAN
12．5．2条件GAN
12．5．3CycleGAN
12．5．4InfoGAN
12．5．5BiGAN
12．6本章小结
参考文献
第13章深度强化学习
13．1强化学习基本概念与原理
13．2强化学习的数学模型、求解框架及分类
13．2．1马尔可夫决策过程
13．2．2值函数与策略函数
13．2．3策略迭代与值迭代求解框架
13．2．4强化学习的分类
13．3基于值函数的深度强化学习
13．3．1深度Q网络算法
13．3．2DQN算法的变种
13．4基于策略函数的深度强化学习
13．5基于参与者评价者的深度强化学习
13．5．1A2C与A3C算法
13．5．2PPO算法
13．6本章小结
参考文献
第14章元学习
14．1元学习的定义及原理
14．1．1元学习的定义
14．1．2元学习系统的组成
14．1．3元学习的主要现状
14．2模型无关的元学习方法
14．2．1相关概念
14．2．2MAML算法原理
14．2．3MAML算法流程
14．2．4MAML算法具体实现
14．3一阶模型无关元学习方法Reptile
14．3．1Reptile算法的基本原理
14．3．2Reptile算法理论分析
14．4自适应梯度更新规则元学习方法
14．4．1简单LSTM方法
14．4．2复杂LSTM方法
14．5度量元学习方法
14．5．1匹配网络
14．5．2原型网络
14．5．3关系网络
14．6本章小结
参考文献
第15章自监督学习
15．1自监督学习的基本原理
15．1．1自监督学习的定义
15．1．2自监督学习的分类
15．2对比式自监督学习
15．2．1模型坍塌问题
15．2．2有负例的对比学习
15．2．3无负例的对比学习
15．3基于对比预测的自监督语音表示学习
15．3．1对比预测编码
15．3．2wav2vec系列
15．3．3HuBERT系列
15．4自监督学习中的关键科学问题
15．4．1任务相关表示学习
15．4．2模型轻量化
15．5本章小结
参考文献
|
| 內容試閱：
|
2018年10月31日，习近平总书记在十九届中央政治局第九次集体学习时深刻指出，人工智能是引领这一轮科技革命和产业变革的战略性技术，具有溢出带动性很强的“头雁”效应。加快发展新一代人工智能是我们赢得全球科技竞争主动权的重要战略抓手，是推动我国科技跨越发展、产业优化升级、生产力整体跃升的重要战略资源。要加强基础理论研究，支持科学家勇闯人工智能科技前沿的“无人区”，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破，确保我国在人工智能这个重要领域的理论研究走在前面、关键核心技术占领制高点。
2010年以后，人工智能进入全面高速发展期，主要受到三个重要因素驱动： 一是摩尔定律和云计算带来的计算能力提升； 二是互联网等技术广泛应用带来的数据量剧增； 三是深度学习技术的兴起。前两个因素是时代发展所带来的外部牵引，而第三个因素，即深度学习技术，则是此次人工智能技术浪潮本身最核心的内在驱动。在随后的十年时间里，深度学习在各个领域突飞猛进发展。2011年，微软研究院的语音识别研究人员先后采用深度学习技术降低语音识别错误率20％~30％，是该领域当时及其前十多年来最大的突破性进展。2012年，深度学习在斯坦福大学发布的著名图像识别数据库ImageNet上获得重要突破，其识别准确率在2013—2017年逐年攀升，并于2015年超过了人类图像识别的最高水平。2016年，谷歌公司的AlphaGo击败了围棋冠军李世石，成为人工智能史上人机对抗的新巅峰。随后AlphaGo的不同版本相继问世，AlphaGoMaster、AlphaGoZero、AlphaZero不断冲击人类的认知。随着技术不断进展，深度学习的应用场景也从简单理想的实验室环境向复杂的实用场景不断演进。2017年，世界著名人工智能跨国公司OpenAI的DOTA机器人在“一对一”比赛中以2∶0的比分轻松战胜人类职业玩家Dendi； 一年后推出的仿人进阶版OpenAI Five DOTA机器人，在原有的“一对一”对抗赛基础上实现了“五对五”比赛。2019年4月，OpenAI Five决战紫禁之巅，以2∶0的比分战胜DOTA 2世界冠军OG战队。在自然语言处理领域，自2018年起，谷歌公司研究团队相继推出BERT模型、GPT系列模型，在翻译、问答、写作等方面达到惊人的效果。受全球人工智能技术热潮影响，各大科技企业积极抢滩布局，国外以谷歌、元（脸书）、微软、推特等跨国公司为代表，国内以百度、阿里、腾讯和华为等公司为代表，这些公司相继制定人工智能发展系统规划，成立人工智能研发中心，构建新的人工智能生态体系。与此同时，中国、美国、俄罗斯、欧盟、日本等将人工智能上升为国家战略，纷纷制定国家发展规划，大力攻研关键基础技术，推动产业化落地应用，积极培养人工智能人才。因此，系统全面掌握第三次人工智能的核心技术——深度学习的原理和方法，了解该领域的最新成果、前沿进展和发展动态，对于数字经济时代各行各业发展都具有重要意义。
虽然深度学习在其算法技术突破这个内因及强大算力、海量数据这两个外因的双重作用下，获得了前所未有的巨大发展，具备了多层次、分布式、多任务等知识表征与推理决策能力，在部分领域达到或超越了人类水平。但在更多行业和场景中，由于环境复杂多变、标注数据匮乏、数据缺失等现实痛点问题难以克服，使人工智能的深入应用面临极大瓶颈挑战。因此，人工智能真正走向实用，不仅需要从认知机理与建模方法等理论角度提出创新，而且更需要研究任务场景特性、融合领域多元知识，以行业应用中的共性堵点和关键难题为需求牵引技术研究、开展持久探索。长期研究工作实践也启示我们，把复杂繁乱的应用环境纳入深度学习技术的发展框架中，科学地简化问题、理性地处理复杂应用环境是深度学习实用化的基础。
《实用深度学习基础》就是在这样的背景下成书的，称之为基础，因其涵盖了一些基本理论、概念和方法； 称之为实用，因其力图将高级深度学习技术从实验室推向行业深入应用，按照实际问题去整合内容。
全书分为3部分共15章。第1章人工智能技术概览，介绍人工智能的基本概念和原理，人工智能的发展历程，以及人工智能的学术流派和未来发展。第1部分： 机器学习与深度学习基础（第2~4章）。第2章机器学习理论基础，详细阐述机器学习的基本定义、组成和分类，并且给出机器学习的可行性学习理论； 第3章深度学习基础，给出深度神经网络的基本定义、组成和后向传播优化算法； 第4章深度神经网络优化技巧，介绍深度学习网络优化学习的基本过程，给出激活函数选择、优化算法和测试集性能优化方法。第2部分： 经典深度学习网络与关键技术（第5~8章）。第5章讨论深度学习领域的一个典型神经网络——卷积神经网络，介绍其基本原理、组成及其与前向全连接网络的关系，并给出近年来典型网络的结构组成； 第6章讨论深度学习领域的另外一个典型神经网络——循环神经网络，分析其原理和组成，并给出循环神经网络中的新型改进网络； 第7章深度学习的区分性训练准则，介绍典型的最大互信息、最小音素错误率、状态级最小贝叶斯风险等准则，并通过实例分析其效果； 第8章讨论序列到序列模型方法，主要包括序列到序列模型定义与构成、连续时序分类准则、注意力机制、Transformer模型、BERT模型与GPT模型、新型序列到序列模型等。第3部分： 实用高级深度学习技术（第9~15章）。第9章自编码器，介绍自编码器的通用框架以及几种重要的自编码器方法，包括正则自编码器、变分自编码器等，然后分析自编码器改进算法，最后介绍对抗自编码器； 第10章讨论深度学习领域重要新技术之一——迁移学习，主要介绍迁移学习的定义和典型方法，特征迁移学习和模型迁移学习，最后给出迁移学习前沿技术发展； 第11章讨论深度学习领域重要新技术之二——终身学习，介绍终身学习的定义、原理和主要方法，并给出一些典型应用； 第12章讨论深度学习领域重要新技术之三——生成对抗网络，介绍生成式对抗网络的定义、原理和主要方法，并给出一些典型应用； 第13章讨论自主迭代学习的技术——深度强化学习，首先给出强化学习的基本定义和数学模型，然后介绍三种经典的强化学习方法，包括值函数、策略函数、ActorCritic方法，最后给出强化学习技术的新进展； 第14章元学习，在元学习定义、组成和主要分类基础上，给出三种重要元学习方法，即模型无关元学习方法、自适应梯度更新规则元学习方法和度量元学习方法等； 第15章自监督学习，在自监督定义、原理和分类的基础上，首先介绍对比式自监督学习的各类方法，然后介绍自监督表示学习方法，重点阐述wav2vec、HuBERT等最新方法的原理与应用，最后对自监督学习的科学问题进行总结提升。本书由屈丹、张文林、杨绪魁、牛铜、闫红刚、邱泽宇、郝朝龙编写。其中，第1、3、4章由屈丹编写，第2章由闫红刚编写，第5章由牛铜、郝朝龙编写，第6、12、13章由张文林编写，第7章由牛铜编写，第8章由邱泽宇、屈丹编写，第9、10、11、15章由杨绪魁编写，第14章由屈丹、郝朝龙编写，全书由屈丹、郝朝龙负责审校和统稿。
作者团队多年来一直从事人工智能与机器学习、音频智能感知与语言认知领域的教学、科研和工程开发工作，深深体会到人工智能技术的巨大发展潜力和应用场景。近年来，作者团队承担多项人工智能领域相关方向的国家“863”课题、国家自然科学基金课题、省部级重点课题，取得了多项研究成果，这些都为本书提供了有力的理论支撑。本书是在“深度学习”课程讲义的基础上，结合多年教学经验和实验室相关科研成果，并参考相关文献资料编写而成的。
本书的编写有幸得到了中国工程院原副院长陈左宁院士的指导与帮助，陈院士高屋建瓴、洞察深刻，启示我们瞄准当前人工智能行业的痛点问题深入研究，她的全局视野和前瞻思维对本书的科学定位起着至关重要的作用。本书的编写也得到战略支援部队信息工程大学各级领导的关心和支持，得到了国内外同行学者的支持和帮助，和很多著名专家进行了有益的交流、研讨，特别是还借鉴了林轩田教授和李宏毅教授网上授课的一些思想，这些都使作者感到受益匪浅。他们的卓越工作与见解提升了本书的理论价值和可用性，在此向他们表示深切感谢。
感谢战略支援部队信息工程大学信息系统工程学院人工智能方向毕业和在读的博硕士研究生，他们是秦楚雄、李真、司念文、常禾雨、杨瑞鹏、刘佳文、李璐君、张昊、陈雅淇、彭思思、郭晓波、袁哲菲、李伟浩、张雅欣、胡恒博、刘雪鹏、唐君、刘桐彤、李宜亭、陈紫龙、李嘉欣、万玉宪、柳聪、魏紫薇、于敏、郑亚杰、杨旭、焦啸林等同学，他们结合自己研究课题开展的实用性研究为人工智能的行业应用提供了颇有见地的见解，也为本书打下了坚实的理论基础，他们卓有成效的工作，使得本书言之有理、言之有物。
最后特别感谢国家自然科学基金委员会“低资源连续语音识别中的集外词处理技术”项目（批准号： 61673395）、“基于元学习的少样本低资源连续语音识别技术”项目（批准号： 62171470）和军队“端到端语音直接听译技术”项目的资助支持。
从历史发展角度来看，在今后很长一段时间里，人工智能技术必将持续快速发展，推动全社会各领域持续变革进步。虽然很难预期到那时深度学习是否仍然是驱动人工智能的核心，但我们相信，在实践中大放异彩的深度学习技术，其基本思想和技术范式一定可以为人工智能的长远发展提供宝贵的思想借鉴。我们也期望，本书能够成为这条路上的“铺路石”，能让更多人站到我们的肩膀上，看得更高，走得更远，创造人工智能领域新的灿烂辉煌。
屈丹
2022年6月于战略支援部队信息工程大学
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
