神经网络与深度学习

邱锡鹏

出版时间

2020-04-09

ISBN

9787111649687

评分

★★★★★

标签

算法

书籍介绍

本书主要介绍神经网络与深度学习中的基础知识、主要模型(卷积神经网络、递归神经网络等)以及在计算机视觉、自然语言处理等领域的应用。

AI导读
核心看点
  • 系统梳理神经网络与深度学习基础理论及核心模型
  • 涵盖卷积、递归神经网络及视觉、NLP等领域应用
  • 数学推导严谨,兼具广度与深度,内容时效性强
适合谁读
  • 计算机、人工智能相关专业本科生及研究生
  • 希望系统构建深度学习知识体系的从业者
  • 具备一定数学基础,寻求进阶学习的开发者
读前提醒
  • 建议搭配官方在线资源nndl.github.io同步学习
  • 公式推导较难,可先通读结构再结合博文研读
  • 纯新手建议先补数学基础或参考其他入门书籍
读者共识
  • 国内深度学习教材标杆,结构清晰优于多数竞品
  • 理论扎实但入门门槛高,不适合零基础小白速成
  • 适合作为系统学习后的总结回顾或案头工具书

本导读基于书籍简介、目录、原文摘录、短评和书评生成,不等同于全文精读。

精彩摘录
  • "人工神经网络(Artificial Neural Network,ANN)是指一系列受生物学和神经科学启发的数学模型. 这些模型主要是通过对人脑的神经元网络进行抽象,构建人工神经元,并按照一定拓扑结构来建立人工神经元之间的连接,来模拟生物神经网络。在人工智能领域,人工神经网络也常常简称为神经网络(Neural Network,NN)或神经模型(Neural Model)。"
  • "从机器学习的角度来看,神经网络一般可以看作是一个非线性模型,其基本组成单元为具有非线性激活函数的神经元,通过大量神经元之间的连接,使得神经网络成为一种高度非线性的模型. 神经元之间的连接权重就是需要学习的参数,可以在机器学习的框架下通过梯度下降方法来进行学习。"
  • "概率图模型的最基本的假设是条件独立性。图形化表示直观地描述了随机变量之间的条件独立性,有利于将复杂的概率模型分解为简单模型的组合,并更好地理解概率模型的表示、推断、学习等方法。 图模型与神经网络的区别:图模型的节点是随机变量,其图结构的主要功能是描述变量之间的依赖关系,一般是稀疏连接。使用图模型的好处是可以有效地进行统计推断;而神经网络中的节点是神经元,是一个计算节点。"
  • "深度强化学习是将强化学习和深度学习结合在一起,用强化学习来定义问题和优化目标,用深度学习来解决策略和值函数的建模问题,然后使用误差反向传播算法来优化目标函数。"
作者简介
邱锡鹏,复旦大学计算机科学技术学院教授、博士生导师,于复旦大学获得理学学士和博士学位。主要研究领域包括自然语言处理、机器学习、深度学习等,在相关领域的国际期刊、会议上发表学术论文60余篇,获得计算语言学顶级国际会议ACL 2017杰出论文奖、全国计算语言学会议CCL 2019*佳论文奖,2015年入选首届中国科协青年人才托举工程,2018年获得中国中文信息学会“钱伟长中文信息处理科学技术奖青年创新一等奖”,入选由“清华—中国工程院知识智能联合研究中心和清华大学人工智能研究院”联合发布的2020年人工智能(AI)全球*具影响力学者提名。该排名参考过去十年人工智能各子领域*有影响力的会议和期刊发表论文的引用情况,排名前10的学者当选该领域当年*具影响力学者奖,排名前100的其他学者获*具影响力学者提名奖。作为项目负责人开源发布了两个自然语言处理开源系统FudanNLP和FastNLP,获得了学术界和产业界的广泛使用。目前担任中国中文信息学会青年工作委员会执行委员、计算语言学专委会委员、语言与知识计算专委会委员,中国人工智能学会青年工作委员会常务委员、自然语言理解专委会委员。
目录
前言
常用符号表
第一部分 机器学习基础
第1章 绪论3

显示全部
用户评论
很典型的国内教材
鼎力推荐。这本书,优点在于讲的比较清晰,排版非常好,读起来特别舒服。属于同类书中品质很高的中文本。
书是上课教材拓展而来,符合了少量机器学习+深入的深度学习介绍的模式,整体结构很不错。可以先挑自己需要的部分看。很多吐槽说入门有难度,其实没必要一下子全看懂。可以先过一遍结构,了解基础的概念。然后再结合网络上的博文对照教材进行研读。最后一步可以再考虑深究数学公式和课后习题的推导。当然具体的工作,还是需要代码的训练,这部分需要额外寻找相关材料。
这本书也太好了吧!清晰的数学语言描述方法的核心原理,兼具准确与深度,重要的是非常新!基本18年之前的主要方法和论文都有涉及到!目前看到的深度学习方面最好的教科书
国内机器学习入门书推荐:邱锡鹏>李航>周志华
满篇的科普理论,用来写论文的,基本没有什么实例。
写得还是比较清晰明了的。
大佬的书可以的,quiz跟paper全靠它了
第二次读,更加注重后面的高级主题;感觉这本书很有特色,尤其是后面的「进阶内容」,已经有点偏向深度学习的应用了(如序列生成、GAN、深度RL等) 和花书是很好的互补
第二部分确实写得很好,清晰介绍了很多基础点
下载
收藏