新書推薦：
《
水库式经营
》
售價：HK$
61.6
《
哲学家的最后一课
》
售價：HK$
57.8
《
进入全球公共视域的清帝国：欧洲文献里的中国邸报
》
售價：HK$
139.2
《
微积分学教程（第二卷）（第8版）
》
售價：HK$
116.8
《
16至20世纪知识史中的流亡者与客居者
》
售價：HK$
103.8
《
家庭经济学：用经济学视角解读家庭关系（诺贝尔经济学奖获得者加里·S. 贝克尔全新力作）
》
售價：HK$
81.4
《
人间词话汇编汇校汇评（新）
》
售價：HK$
54.8
《
王名扬全集：美国行政法（上下） 王名扬老先生行政法三部曲之一
》
售價：HK$
173.8
|
| 編輯推薦： |
1. 本书可作为人工智能与深度学习领域的入门教材或通识课教材。深度学习与大模型的知识体系极为庞大，系统学习所需的时间成本极高。本书精心梳理了深度学习和大模型的核心理论及各分支领域的代表性算法与技术脉络，读者通过阅读本书即可系统掌握相关技术，大幅提升学习效率。
2. 本书全面涵盖了新一代人工智能的经典算法、前沿方向及最新技术（包括Deepseek），并对每个算法进行了深入的原理解析，帮助读者从快速入门到真正精通，实现理论与实践的深度融合。
3. 本书非常适合作为高校教材。本书作者张重生教授为此书做了大量工作，历经三年精心打磨，增删多次，回归课堂，通过三年科研和教学实战，取得了显著的人才培养成果，最终形成了本书的内容结构和语言风格。本书以丰富的实例和平实易懂的语言，大大降低了学习难度，本书帮助读者快速理解深度学习与大模型的相关算法和技术，助力读者深入相关算法和技术的关键与精髓之处，具有极高的学习与参考价值。
4.为了便于教学和自学，本书配有电子课件和配套的实践教材《深度学习与人工智能实战》，实践教材各章节的源代码和实验数据集可通过该书的GitHub主页下载，以供读者自主练习。
|
| 內容簡介： |
本书注重对新一代人工智能相关理论和技术进行深入的原理讲解，共计19 章，囊括了深度学习的基础理论、深度学习的优化问题、各种卷积操作、损失函数、经典的卷积神经网络结构、目标识别和度量学习算法、深度学习目标检测技术、图像分割算法、生成对抗网络、蒸馏学习、长尾学习技术、图像增广技术，以及大模型相关的Transformer技术、预训练技术、大语言模型、视觉-语言模型及视觉大模型等技术。
本书既可作为高等学校人工智能、智能科学与技术、计算机科学与技术、数据科学与大数据技术等专业的教材，也可作为人工智能领域的科研人员、业界人士、高校教师和爱好者的参考书，以系统掌握新一代人工智能的相关理论和技术。
|
| 關於作者： |
|
张重生，男，1982年9月生，河南大学教授、博士生导师，德国慕尼黑大学访问学者。曾任西班牙国立巴斯克大学兼职博士生导师。博士毕业于法国国家信息与自动化研究所，获得优秀博士论文荣誉。主要研究领域为数据科学、人工智能、古文字计算。主持20项科研项目，含国家自然科学基金、人文社科、国家社科基金重大项目子课题等项目。在顶级国际会议及知名期刊上发表学术论文近70篇，出版著译作8部，申请/授权近20项国家发明专利。受邀在中国机器学习大会、全国大数据与社会计算学术会议的专题论坛上作特邀报告。作为主要成员在河南省发改委执笔《河南省大数据产业发展引导目录》、《河南省国家大数据综合试验区实施方案》并由河南省人民政府颁布实施。主研“AI缀多多”软件，初步实现了人工智能批量缀合甲骨，2023年11月作为特邀嘉宾做客央视十套透视新科技栏目，产生了一定的社会影响力。
|
| 目錄：
|
第1章 绪论1
1.1 人工智能的概念及其发展现状1
1.2 人工智能的主要发展历程4
1.3 深度学习/新一代人工智能的研究与应用领域5
1.4 结束语11
本章参考文献12
第2章 数据思维13
2.1 新一代人工智能时代数据的重要性13
2.2 数据思维中的常见错误与陷阱15
2.3 深度学习/新一代人工智能研究的16个经典数据集介绍17
2.4 结束语38
第3章 人工神经网络40
3.1 人工神经网络的前向计算40
3.2 人工神经网络的误差反向传播原理43
3.3 人工神经网络实现47
第4章 卷积神经网络50
4.1 卷积神经网络原理51
4.2 经典的卷积神经网络介绍56
4.3 卷积神经网络的误差反向传播原理61
第5章 常见卷积操作与经典卷积神经网络73
5.1 常见的卷积操作介绍73
5.2 经典的卷积神经网络介绍84
第6章 神经网络优化88
6.1 激活函数88
6.2 权值初始化93
6.3 神经网络的神经元值归一化与权值归一化95
6.4 神经网络的正则化100
6.5 梯度更新策略与超参优化101
本章参考文献104
第7章 孪生神经网络107
7.1 孪生神经网络介绍107
7.2 孪生神经网络结构108
7.3 孪生神经网络实现109
7.4 Triplet Loss/FaceNet算法111
7.5 SiamFC目标追踪算法113
第8章 蒸馏网络118
8.1 蒸馏网络介绍118
8.2 带温度的Softmax激活函数119
8.3 蒸馏网络结构120
8.4 蒸馏学习过程121
8.5 总结122
本章参考文献123
第9章 损失函数124
9.1 损失函数简介124
9.1.3 损失函数的分类体系125
9.2 十种常见的损失函数126
9.3 最新损失函数136
9.4 KL散度与JS散度142
本章参考文献143
第10章 深度学习常用的图像增广技术144
10.1 图像增广概述144
10.2 简单的图像变换技术145
10.3 RandAugment图像增广技术 146
10.4 MixUp图像合成技术147
10.5 CutMix图像合成技术148
10.6 AugMix图像合成技术149
第11章 YOLO系列目标检测算法153
11.1 深度学习目标检测综述153
11.2 YOLO目标检测算法原理155
11.3 YOLO系列目标检测算法的发展历程166
第12章 Faster R-CNN系列目标检测算法168
12.1 R-CNN目标检测算法168
12.2 Fast R-CNN目标检测算法169
12.3 Faster R-CNN目标检测算法172
12.4 Mask R-CNN目标检测/图像分割算法182
第13章 基于深度学习的图像分割技术190
13.1 全卷积网络190
13.2 U-Net200
13.3 DeepLabs等前沿分割算法205
第14章 生成对抗网络（GAN）210
14.1 原始GAN/朴素GAN211
14.2 DCGAN219
14.3 BEGAN223
14.4 基于GAN的关系型/表格型数据生成技术227
本章参考文献230
第15章 长尾学习231
15.1 长尾分布和长尾学习背景介绍231
15.2 代表性长尾学习算法236
第16章 Transformer架构原理244
16.1 自注意力机制244
16.2 Transformer架构251
16.3 Transformer的基础应用——BERT自然语言处理模型257
本章参考文献258
第17章 大语言模型259
17.1 大模型发展现状及其影响和意义259
17.2 大模型的核心技术261
17.3 大模型的应用方法262
第18章 视觉Transformer模型265
18.1 视觉Transformer架构ViT265
18.2 Swin Transformer架构266
第19章 语言-视觉预训练模型和视觉大模型271
19.1 语言-视觉预训练模型——CLIP272
19.2 视觉预训练技术(MAE)275
19.3 DINO v2视觉大模型277
|
| 內容試閱：
|
深度学习及大模型的知识体系非常庞大，系统学习成本非常昂贵。本书致力于成为系统讲解深度学习和大模型的相关理论和各分支方向代表性算法和技术的“一本通”，读者只需阅读本书，便能系统掌握相关技术，不再需要翻阅不同书籍和资料的耗时操作，能够大大缓解学习新一代人工智能技术时存在的知识碎片化，搜索成本、时间成本、学习成本、试错成本高的突出问题，切实达到“一书在手、深度学习和大模型无忧”的体验感和满意度。
本书囊括了新一代人工智能的经典算法、前沿方向和最新技术，从深度学习的基础理论、深度学习的优化问题，到各种卷积操作、损失函数、经典的卷积神经网络结构、经典的目标识别和度量学习算法、经典的深度学习目标检测技术、图像分割算法、生成对抗网络GAN、蒸馏学习、长尾学习技术，都有详尽阐述。此外，针对大模型领域，本书还深入介绍了Transformer技术、预训练技术、大语言模型、视觉-语言模型及视觉大模型等技术。本书对每个算法都有非常深入的原理讲解，便于读者对每个算法和技术达成从快速入门到真正精通的目标。
本书不只是写出来的，更是讲出来的和做出来的，是在编者实际的科研和授课过程中完成的。编者为此书做了大量的准备工作，付出了三年的艰辛努力，通过上课讲授时的即兴发挥，促进相关章节初稿的形成，又回到课堂中去，通过三年实际的科研和讲授实战，取得了较好的人才培养效果，初步达成了用最简洁、最易懂的文字讲解深度学习和大模型的前沿算法和技术的目标。本书的另一特点是内容的易理解性，通过举例和平实易懂的语言，大大降低了初学者和研究人员的学习难度，使读者以最少的时间和付出，达到对深度学习和大模型的相关算法和技术及其关键和精髓之处深入理解的效果，对广大读者有极高的学习和参考价值。
本书的出版，受到河南省研究生教育改革与质量提升工程河南省研究生精品教材项目(YJS2025JC26)的资助及河南大学研究生院和教务处的资助，得到了机械工业出版社李馨馨编辑的鼎力支持和帮助，也得到了我的学生陈杰、侯亚新、邓斌权、李岐龙、韩诗阳、王斌、陈承功、刘大征、李翱帆、曹爽、王汝涵等同学的支持和帮助，在此致以由衷感谢。
著书不易，本书的编写历时三年（2021—2024年），经历了新一代人工智能从深度学习到大模型的嬗变，使得本书内容一直在调整和增加，以期全面囊括新一代人工智能中的深度学习和大模型相关的技术，并于2025年1月形成终稿。尽管编者已倾尽全力，但书中错缪之处在所难免，恳请读者朋友批评指正最后，再次感谢所有为本书提供帮助的师友同学，感谢读者。
|
|
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
