總金額: 會員:NT$ 0 非會員:NT$ 0 
(此金額尚未加上運費)
電子電信技術 電腦技術 自動化基礎理論
 
 
 
 
深度學習(下)
 作  者: 張憲超
 出版單位: 科學
 出版日期: 2019.07
 進貨日期: 2019/12/23
 ISBN: 9787030599568
 開  本: 16 開    
 定  價: 1260
 售  價: 1008
  會 員 價: 924

目前無補書計畫

推到Facebook 推到Plurk 推到Twitter
前往新書區 書籍介紹 購物流程  
 
內容簡介:

《深度學習(下)》對所有主要的深度學習方法和新研究趨勢進行了深入探索。《深度學習(下)》分為上下兩卷,五個部分。上卷包括兩個部分:第一部分是基礎演算法,包括機器學習基礎演算法、早期神經網路演算法、深度學習的正則化方法和深度學習的優化方法;第二部分是判別式模型,包括卷積神經網路(CNN)、迴圈神經網路(RNN)、長短期記憶模型(LSTM)、注意力機制和記憶網路。下卷包括三個部分:第三部分是生成式模型,包括深度置信網路/深度玻爾茲曼機、自編碼器(AE)/變分自編碼器(VAE)、生成對抗網路(GAN)、圖元級生成、深度聚類等;第四部分是前沿技術,討論深度強化學習;第五部分是安全保障,包括深度學習的可解釋性和對抗樣本的攻擊與防禦。《深度學習(下)》特別注重學術前沿,對包括膠囊網路在內的當前新成果進行了細緻的討論。《深度學習(下)》構建了一套明晰的深度學習體系,同時各章內容相對獨立,並有輔助網站線上提供大量論文、代碼、資料集和彩圖等學習資源供讀者邊實踐邊學習。


圖書目錄:

前言
9 深度置信網路和深度玻爾茲曼機 1
9.1 深度置信網路和深度玻爾茲曼機的起源 1
9.1.1 玻爾茲曼機 1
9.1.2 受限玻爾茲曼機 2
9.2 模型參數學習 7
9.2.1 吉布斯採樣 7
9.2.2 對比散列演算法 7
9.3 深度置信網路 9
9.3.1 深度置信網路模型 9
9.3.2 深度置信網路訓練 10
9.4 深度玻爾茲曼機 11
9.4.1 深度玻爾茲曼機模型 11
9.4.2 深度玻爾茲曼機參數學習 13
9.5 深度置信網路和深度玻爾茲曼機的應用 15
9.5.1 深度置信網路的應用 15
9.5.2 深度玻爾茲曼機的應用 17
9.6 閱讀材料 28
參考文獻 29
10 自編碼器 31
10.1 自編碼器介紹 31
10.1.1 自編碼器的結構 31
10.1.2 自編碼器的訓練 33
10.2 深度自編碼器 34
10.3 自編碼器的變形 36
10.3.1 稀疏自編碼器 36
10.3.2 降噪自編碼器 37
10.3.3 收縮自編碼器 38
10.3.4 遮罩自編碼器 39
10.3.5 其他自編碼器 42
10.4 變分自編碼器 42
10.4.1 變分推斷 42
10.4.2 詳解變分自編碼器 45
10.5 變分自編碼器的變形 50
10.5.1 半監督變分自編碼器 50
10.5.2 反向自回歸流變分自編碼器 54
10.5.3 資訊最大化變分自編碼器 56
10.5.4 最大均值差異變分自編碼器 58
10.5.5 向量量化變分自編碼器 59
10.5.6 降噪變分自編碼器 62
10.5.7 梯形變分自編碼器 64
10.6 變分自編碼器的應用 68
10.6.1 機器翻譯 68
10.6.2 文本分類 72
10.7 閱讀材料 76
參考文獻 76
11 生成對抗網路 79
11.1 原始生成對抗網路 79
11.1.1 生成對抗網路的基本結構 79
11.1.2 深入理解生成對抗網路 82
11.1.3 原始生成對抗網路中的問題 95
11.2 生成對抗網路的發展 96
11.2.1 深度卷積生成對抗網路 96
11.2.2 基於Wasserstein距離的生成對抗網路 97
11.2.3 加罰項的基於Wasserstein距離的生成對抗網路 102
11.2.4 帶有一致化項的生成對抗網路 104
11.2.5 損失敏感的生成對抗網路 106
11.2.6 資訊最大化生成對抗網路 110
11.3 生成對抗網路的訓練 112
11.3.1 訓練生成對抗網路的問題與發展 113
11.3.2 訓練生成對抗網路的一些技巧 115
11.3.3 漸進增大方式訓練生成對抗網路 116
11.3.4 生成對抗網路的譜歸一化 118
11.3.5 通過原始-對偶次梯度方法訓練生成對抗網路 121
11.3.6 用優化鏡像下降的方法訓練生成對抗網路 123
11.3.7 一階懲罰生成對抗網路 125
11.4 深度生成模型的聯合模型 126
11.4.1 對抗變分貝葉斯方法 127
11.4.2 建立深度生成模型之間的原則性聯繫 133
11.4.3 對抗自編碼器 140
11.4.4 Wasserstein自編碼器 144
11.5 最優傳輸理論與生成對抗網路 147
11.5.1 從最優傳輸理論到生成模型 147
11.5.2 利用最優傳輸理論改善生成對抗網路 150
11.6 生成對抗網路的評估 152
11.6.1 幾何評分:一種比較樣本的方法 153
11.6.2 調節生成器對生成對抗網路性能的影響 156
11.7 生成對抗網路的其他模型 157
11.8 生成對抗網路的應用 160
11.8.1 圖像的生成與操作 160
11.8.2 文本 172
11.9 早期的對抗模型 175
11.10 生成對抗網路的總結 177
11.11 閱讀材料 179
參考文獻 180
12 圖元級生成模型 184
12.1 PixelCNN 184
12.1.1 PixelCNN介紹 184
12.1.2 mask卷積 185
12.1.3 盲點問題 186
12.2 PixelRNN 188
12.2.1 行LSTM PixelRNN 188
12.2.2 對角線BiLSTM PixelRNN 189
12.3 門PixelCNN 192
12.4 條件PixelCNN 193
12.5 PixelVAE 194
12.6 PixelGAN 195
12.7 閱讀材料 197
參考文獻 197
13 深度聚類 198
13.1 聚類概述 198
13.1.1 傳統聚類與深度聚類之間的關係 198
13.1.2 深度聚類模型結構 199
13.1.3 深度聚類損失函數 199
13.1.4 簇的更新策略 201
13.2 深度嵌入聚類演算法 202
13.2.1 自編碼器與聚類結合 202
13.2.2 變分自編碼器與聚類的結合 207
13.2.3 梯子網路與聚類的結合 210
13.2.4 卷積神經網路與聚類的結合 213
13.3 深度譜聚類 217
13.4 深度子空間聚類 220
13.5 閱讀材料 224
參考文獻 225
14 深度強化學習 230
14.1 基於值函數的深度強化學習 230
14.1.1 深度Q網路 231
14.1.2 雙重深度Q網路 238
14.1.3 優先化經驗重播的深度Q網路 241
14.1.4 基於競爭網路架構的深度Q網路 243
14.2 基於策略搜索的深度強化學習 246
14.2.1 深度確定性策略梯度演算法 246
14.2.2 非同步的優勢行動者-評論家演算法 250
14.3 基於模型的深度強化學習 252
14.3.1 AlphaGo發展史 253
14.3.2 AlphaGo原理介紹 255
14.4 深度強化學習的應用 264
14.5深度強化學習的未來 266
14.6 閱讀材料 269
參考文獻 269
15 深度學習的可解釋性 272
15.1 可解釋性概述 272
15.1.1 什麼是可解釋性 273
15.1.2 可解釋的必要性 273
15.1.3 可解釋性研究進展 274
15.2 視覺化 277
15.2.1 視覺化方法分類 277
15.2.2 特徵視覺化 278
15.2.3 關係視覺化 289
15.2.4 過程視覺化 297
15.3 深度學習內部工作機制探查 300
15.3.1 局部可解釋模型 300
15.3.2 關係反向傳播 304
15.3.3 決策樹量化解釋 311
15.3.4 資訊理論的角度解釋模型 317
15.4 深度學習工作機制理論分析 321
15.4.1 基於統計的分析 321
15.4.2 基於資訊理論的分析 327
15.4.3 基於認知科學的分析 342
15.5 閱讀材料 347
參考文獻 348
16 對抗樣本攻防和深度學習的魯棒性 355
16.1 深度神經網路的脆弱性 355
16.2 對抗樣本攻擊 357
16.2.1 攻擊策略 357
16.2.2 對抗樣本的產生 373
16.2.3 對抗樣本的遷移 380
16.3 對抗攻擊的檢測與防禦 383
16.3.1 對抗樣本的檢測 383
16.3.2 對抗攻擊的防禦 385
16.4 深度神經網路的魯棒性 391
16.4.1 分類器的魯棒性 391
16.4.2 Parseval網路 399
16.4.3 評估神經網路的魯棒性 400
16.4.4 為深度神經網路提供可保證的魯棒性 403
16.5 深度學習測試 405
16.5.1 白盒測試 405
16.5.2 黑盒測試 414
16.6 深度學習驗證 422
16.6.1 可滿足性模理論 423
16.6.2 線性實數演算法和單純形 424
16.6.3 從Simplex到Reluplex 425
16.6.4 有效實施Reluplex 428
16.6.5 案例研究:ACASXu系統 429
16.7 閱讀材料 431
參考文獻 432

 
  步驟一.
依據網路上的圖書,挑選你所需要的書籍,根據以下步驟進行訂購
選擇產品及數量 結 帳 輸入基本資料 取貨與付款方式
┌───────────────────────────────────────────────────┘
資料確定 確認結帳 訂單編號    

步驟二.
完成付款的程序後,若採用貨到付款等宅配方式,3~7天內 ( 例假日將延期一至兩天 ) 您即可收到圖書。若至分店門市取貨,一週內聯絡取書。

步驟三.
完成購書程序者,可利用 訂單查詢 得知訂單進度。

注意事項.
● 付款方式若為網路刷卡必須等" 2 ~ 3 個工作天"確認款項已收到,才會出貨.如有更改書籍數量請記得按更新購物車,謝謝。

● 大陸出版品封面老舊、磨痕、凹痕等均屬常態,除封面破損、內頁脫落...等較嚴重的狀態外,其餘所有商品將正常出貨。

● 至2018年起,因中國大陸環保政策,部分書籍配件以QR CODE取代光盤音頻mp3或dvd,已無提供實體光盤。如需使用學習配件,請掃描QR CODE 連結至當地網站註冊並通過驗證程序,方可下載使用。造成不便,敬請見諒。

● 我們將保留所有商品出貨權利,如遇缺書情形,訂單未達免運門檻運費需自行負擔。

預訂海外庫存.
商品到貨時間須4週,訂單書籍備齊後方能出貨,如果您有急用書籍,建議與【預訂海外庫存】商品分開訂購。