人工智慧高手書：深度學習之識別及最佳化

內容描述

內容簡介
深度學習是計算機科學與人工智慧的重要組成部分。全書共16章，分為理論與實踐應用兩大部分，同時介紹五種深度學習主流平台的特性與應用，最後指出深度學習的脈絡圖以及進展介紹。
本書特色
一　內容系統全面
全書共16章，涵蓋了深度學習目前出現的諸多經典框架或模型，分為兩部分。
❑ 第一部分 ( 第1章～10章 )：系統性的從數據、模型、最佳化目標函數與求解等四個方面詳盡介紹深度學習的理論及演算法，如深度前饋神經網路、深度旋積神經網路、深度堆疊神經網路、深度遞迴神經網路、深度生成網路、深度融合網路等。
❑ 第二部分 ( 第11～15章 )：以五種主流的深度學習平台為基礎，指出深度網路在自然影像、衛星遙測影像等領域的應用，如分類、變化檢測、目標檢測與識別等任務。最後 ( 第16章 ) 則介紹了深度學習發展的脈絡圖及最新研究進展。
二　敘述立場客觀
❑ 本書作為深度學習的入門教材，筆者盡可能不帶偏見的對資料進行分析及客觀介紹。
❑ 理論部分均從模型產生的根源加以介紹，並指出各個經典模型之間內在的相互關連。

❑ 實踐應用部分則對相關任務進行詳盡的分析，並提出深度學習應用實踐的經驗總結。

適用：欲接觸或對深度學習有興趣的讀者最佳入門書，亦適合相關領域之從業人員與大學、研究所師生作為參考之用。

目錄大綱

ch 01 深度學習基礎
1.1 數學基礎
1.2 稀疏表示
1.3 機器學習與神經網路
ch 02 深度前饋神經網路
2.1 神經元的生物機制
2.2 多隱藏層前饋神經網路
2.3 反向傳播演算法
2.4 深度前饋神經網路的學習範式
ch 03 深度旋積神經網路
3.1 旋積神經網路的生物機制及數學刻畫
3.2 深度旋積神經網路
3.3 深度反旋積神經網路
3.4 全旋積神經網路
ch 04 深度堆疊自動編碼網路
4.1 自動編碼網路
4.2 深度堆疊網路
4.3 深度置信網路 / 深度玻茲曼機網路
ch 05 稀疏深度神經網路
5.1 稀疏性的生物機制
5.2 稀疏深度網路模型及基本性質
5.3 網路模型的效能分析
ch 06 深度融合網路
6.1 深度SVM網路
6.2 深度PCA網路
6.3 深度ADMM網路
6.4 深度極限學習機
6.5 深度多尺度幾何網路
6.6 深度森林
ch 07 深度生成網路
7.1 生成式對抗網路的基本原理
7.2 深度旋積對抗產生網路
7.3 深度生成網路模型的新範式
7.4 應用驅動下的兩種新生成式對抗網路
7.5 變分自動編碼器
ch 08 深度複旋積神經網路與深度二值神經網路
8.1 深度複旋積神經網路
8.2 深度二值神經網路
ch 09 深度循環和遞迴神經網路
9.1 深度循環神經網路
9.2 深度遞迴神經網路
9.3 長短時記憶神經網路
9.4 典型應用
ch 10 深度強化學習
10.1 深度強化學習簡介
10.2 深度Q 網路
10.3 應用舉例-AlphaGo
ch 11 深度學習軟體模擬平台及開發環境
11.1 Caffe平台
11.2 TensorFlow平台
11.3 MXNet平台
11.4 Torch 7平台
11.5 Theano平台
ch 12 以深度神經網路為基礎的SAR/PolSAR 影像地物分類
12.1 資料集及研究目的
12.2 以深度神經網路為基礎的SAR 影像地物分類
12.3 以第一代深度神經網路為基礎的PolSAR 影像地物分類
12.4 以第二代深度神經網路為基礎的PolSAR 影像地物分類
ch 13 以深度神經網路為基礎的SAR 影像的變化檢測
13.1 資料集特點及研究目的
13.2 以深度學習和SIFT 特徵為基礎的SAR 影像變化檢測
13.3 以SAE 為基礎的SAR 影像變化檢測
13.4 以CNN 為基礎的SAR 影像變化檢測
ch 14 以深度神經網路為基礎的高光譜影像分類與壓縮
14.1 資料集及研究目的
14.2 以深度神經網路為基礎的高光譜影像的分類
14.3 以深度神經網路為基礎的高光譜影像的壓縮
ch 15 以深度神經網路為基礎的目標檢測與識別
15.1 資料特性及研究目的
15.2 以快速CNN 為基礎的目標檢測與識別
15.3 以回歸學習為基礎的目標檢測與識別
15.4 以學習搜索為基礎的目標檢測與識別
ch 16 歸納與展望
16.1 深度學習發展歷史圖
16.2 深度學習的應用介紹
16.3 深度神經網路的可塑性
16.4 以腦啟發式為基礎的深度學習前端方向
app A 以深度學習為基礎的常見工作處理介紹
app B 程式介紹