| 失效链接处理 |
|
深度学习导论及案例分析 PDF 下载
转载自：https://download.csdn.net/download/pflory/10226978
本站整理下载：
版权归出版社和原作者所有，链接已删除，请购买正版
用户下载说明：
电子版仅供预览，下载后24小时内务必删除，支持正版，喜欢的请购买正版书籍：
http://product.dangdang.com/24049457.html
相关截图：
 资源简介： 深度学习是近年来在神经网络发展史上掀起的一波新浪潮，是机器学习的一大热点方向，因在手写字符识别、维数约简、图像理解和语音处理等方面取得巨大进展，所以很快受到了学术界和工业界的高度关注。在本质上，深度学习就是对具有深层结构的网络进行有效学习的各种方法。 本书不仅介绍了深度学习的起源和发展、强调了深层网络的特点和优势，说明了判别模型和生成模型的相关概念，还详述了深度学习的9种重要模型及其学习算法、变种模型和混杂模型，包括受限玻耳兹曼机、自编码器、深层信念网络、深层玻耳兹曼机、和积网络、卷积神经网络、深层堆叠网络、循环神经网络和长短时记忆网络，以及它们在图像处理、语音处理和自然语言处理等领域的广泛应用。同时分析了一系列深度学习的基本案例。 本书每个案例包括模块简介、运行过程、代码分析和使用技巧4个部分，层次结构清晰，利于读者的选择和学习并在应用中拓展思路。涉及的编程语言有3种：Matlab、Python和C++。其中，很多深度学习程序是用Matlab编写的，可以直接运行；如果使用Python语言编写深度学习程序，则可以调用Theano开源库；若使用C++语言，则可以调用Caffe开源库。 资源目录： 前言 第一部分 基础理论 目 录 第1章概述 2 1.1深度学习的起源和发展 2 1.2深层网络的特点和优势 4 1.3深度学习的模型和算法 7 第2章预备知识 9 2.1矩阵运算 9 2.2概率论的基本概念 11 2.2.1概率的定义和性质 l1 2.2.2 随机变量和概率密度 函数 l2 2.2.3期望和方差． 13 2.3信息论的基本概念． 14 2.4概率图模型的基本概念 15 2.5概率有向图模型 16 2.6概率无向图模型 20 2.7部分有向无圈图模型 22 2.8条件随机场 24 2.9马尔可夫链 26 2.10概率图模型的学习 28 2.11概率图模型的推理 29 2.12马尔可夫链蒙特卡罗方法 31 2.13玻耳兹曼机的学习 32 2.14通用反向传播算法 35 2.15通用逼近定理 37 第3章受限玻耳兹曼机 38 3.1 受限玻耳兹曼机的标准 模型 38 3.2受限玻耳兹曼机的学习算法 40 3.3 受限玻耳兹曼机的变种模型 44 第4章 自编码器 48 4.1 自编码器的标准模型 48 4.2 自编码器的学习算法 50 4.3 自编码器的变种模型 53 第5章深层信念网络 57 5.1 深层信念网络的标准模型 57 5.2深层信念网络的生成学习 算法 60 5.3深层信念网络的判别学习算法 62 5.4深层信念网络的变种模型 63 第6章深层玻耳兹曼机 64 6.1 深层玻耳兹曼机的标准模型 64 6.2深层玻耳兹曼机的生成学习 算法 65 6.3 深层玻耳兹曼机的判别学习 算法 69 6.4深层玻耳兹曼机的变种模型 69 第7章和积网络 72 7.1 和积网络的标准模型 72 7.2和积网络的学习算法 74 7.3和积网络的变种模型 77 第8章卷积神经网络 78 8.1卷积神经网络的标准模型 78 8.2卷积神经网络的学习算法 81 8.3卷积神经网络的变种模型 83 第9章深层堆叠网络 一86 9.1 深层堆叠网络的标准模型 86 9.2深层堆叠网络的学习算法 87 9.3深层堆叠网络的变种模型 88 第1 0章循环神经网络 89 10.1循环神经网络的标准模型 89 10.2循环神经网络的学习算法 91 10.3循环神经网络的变种模型 92 第1 1章长短时记忆网络 94 11.1长短时记忆网络的标准模型 94 11.2长短时记忆网络的学习算法 96 11.3长短时记忆网络的变种模型 98 第12章深度学习的混合模型、 广泛应用和开发工具 102 12.1深度学习的}昆合模型 102 12.2深度学习的广泛应用 104 12.2.1 图像和视频处理 104 12.2.2语音和音频处理 106 12.2.3 自然语言处理 108 12.2.4其他应用 109 12.3深度学习的开发工具 110 第1 3章深度学习的总结、 批评和展望 114 第二部分案例分析 第14章实验背景 一118 14.1运行环境 118 14.2实验数据 118 14.3代码工具 120 第1 5章 自编码器降维案例 一121 15.1 自编码器降维程序的模块 简介 121 15.2 自编码器降维程序的运行 过程 122 15.3 自编码器降维程序的代码 分析 127 15.3.1 关键模块或函数的主要 功能 127 15.3.2主要代码分析及注释 128 15.4 自编码器降维程序的使用 技巧 138 第1 6章深层感知器识别案例 139 16.1 深层感知器识别程序的模块 简介 139 16.2深层感知器识别程序的运行 过程 140 16.3深层感知器识别程序的代码 分析 143 16.3.1 关键模块或函数的主要 功能 143 16.3.2主要代码分析及注释 l43 16.4深层感知器识别程序的使用 技巧 148 第1 7章深层信念网络生成 案例 149 17.1 深层信念网络生成程序的模块 简介 149 17.2深层信念网络生成程序的运行 过程 150 17.3深层信念网络生成程序的代码 分析 153 第18章深层信念网络分类案例163 第19章深层玻耳兹曼机识别案例202 第20章卷积神经网络识别案例221 第21章循环神经网络填充案例236 第22章长短时忆网络分类案例245 附录263 参考文献269 |
| Java1234官方群25： | 
|
| Java1234官方群25： | 838462530 |
苏公网安备 32061202001004号
