相关截图：



资料简介：

以人工智能为代表的新技术正在给人们的生产和生活方式带来革命性变化。人工智能技术试图了解智能的本质，并产生一种新的能以人类智能相似的方式做出反应的智能机器。让计算机理解现实世界中诸如图像，语音和语言等数据所蕴含的高层次抽象信息，并加以利用，是该领域大的挑战之一。诸多理论和实践成果表明，以深度神经网络为代表的“深度结构”是解决该问题的重要工具之一。

本书详细论述了采用深度结构的动机、原理和理论依据，讨论了训练深度神经网络的难点，继而详尽的介绍了自动编码器、受限玻尔兹曼机以及深度置信网络的概念和理论，并进行了理论分析。本书是深入理解深度学习的动机和原理的经典之作。

译者序

1　引言1

1.1　如何训练深度结构3

1.2　中间层表示：在不同的任务中共享特征和抽象4

1.3　学习人工智能的必经之路5

1.4　本书大纲6

2　深度结构的理论优势8

2.1　计算复杂性10

2.2　一些非正式的论证11

3　局部与非局部泛化性13

3.1　局部模板匹配的局限性13

3.2　学习分布式表示17

4　具有深度结构的神经网络19

4.1　多层神经网络19

4.2　训练深度神经网络的挑战20

4.3　深度结构的无监督学习25

4.4　深度生成结构26

4.5　卷积神经网络28

4.6　自动编码器29

5　能量模型和玻尔兹曼机31

5.1　能量模型和专家乘积系统31

5.2　玻尔兹曼机34

5.3　受限玻尔兹曼机36

5.4　对比散度39

6　深层结构的逐层贪心训练46

6.1　深度置信网络的逐层训练46

6.2　堆叠自动编码器训练48

6.3　半监督与部分监督训练49

7　受限玻尔兹曼机和自动编码器的变体51

7.1　自动编码器和受限玻尔兹曼机的稀疏化表示51

7.2　降噪自动编码器55

7.3　层内连接56

7.4　条件ＲＢＭ和时序ＲＢＭ 57

7.5　分解式ＲＢＭ 59

7.6　受限玻尔兹曼机和对比散度的推广59

8　ＤＢＮ各层联合优化中的随机变分边界62

8.1　将ＲＢＭ展开为无限有向置信网络62

8.2　逐层贪心训练的变分证明64

8.3　所有层的联合无监督训练66

9　展望69

9.1　全局优化策略69

9.2　无监督学习的重要性72

9.3　开放的问题73

10　总结76