![深度学习 - [美] 伊恩·古德费洛](https://static.book345.com/covers/s/9787115461476.jpg)
书籍介绍
《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。
《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。
AI导读
核心看点
- 三位AI大牛合著，深度学习领域奠基性经典教材
- 涵盖数学基础、成熟技术及未来研究方向三大板块
- 系统讲解表示学习、网络架构及优化算法核心原理
适合谁读
- 计算机相关专业大学生及研究生，需具备一定数学基础
- 希望快速补充深度学习知识以应用于产品的软件工程师
- 有一定机器学习背景，希望深入理解理论的研究人员
读前提醒
- 中文版翻译质量争议较大，建议有能力的读者阅读英文原版
- 前几章数学基础较枯燥但至关重要，建议结合代码实践理解
- 书中推导跳跃较大，建议搭配在线免费网页版及社区笔记阅读
读者共识
- 内容全面权威，被誉为AI领域的圣经，适合反复研读
- 数学门槛高，不适合零基础入门，更适合有基础者进阶
- 翻译水平参差不齐，部分章节晦涩难懂，阅读体验不佳
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
- "Noise injection also works when the noise is applied to the hidden units, which can be seen as doing dataset augmentation at multiple levels of abstraction. Poole et al. (2014) recently showed that this approach can be highly effective provided that the magnitude of the noise is carefully tuned. Dro"
- "层次：让计算机从经验中学习，并根据层次化的概念体系来理解世界，而每个概念则通过与某些相对简单的概念之间的关系来定义。 这些机器学习算法的性能在很大程度上依赖给定数据的表示。然而，对于许多人物来说，我们很难知道应该提取哪些特征。解决这个问题的途径之一是使用机器学习来发掘表示本身，二不仅仅把表示映射到输出。这种方法我们称之为表示学习。 深度学习通过其他较简单的表示来表达复杂表示，解决了表示学习中的核心问题。 就像计算机程序的长度不存在单一的正确值一样，架构的深度也不存在单一的正确值。 控制论Cybernetics，联结主义Connnectionism，深度学习Deep Learning。 先行模型"
- "不确定性有3种可能的来源 (1)被建模系统内在的随机性。例如，大多数量子力学的解释，都将亚原子粒子的动力描述为概率的。我们还可以创建一些假设具有随机动态的理论情境，例如一个假想的纸牌游戏，在这个游戏中，我们假设纸牌被真正混洗成了随机顺序。 (2)不完全观测。即使是确定的系统，当我们不能观测到所有驱动系统行为的变量时，该系统也会呈现随机性。例如，在 Monty Hall问题中，一个游戏节目的参与者被要求在3个门之间选择，并且会赢得放置在选中门后的奖品。其中两扇门通向山羊，第第3扇扇门通向一辆汽车。选手的每个选择所导致的结果是确定的，但是站在选手的角度，结果是不确定的。 （3)不完全建模。当我们使"
- "Examples of learning algorithms based on non-distributed representations include:"
- "For some of these non-distributed algorithms, the output is not constant by parts but instead interpolates between neightboring regions."
- "第一，我们想要建模的很多分布的真实情况是比较接近正态分布的。中心极限定理说明很多独立随机变量的和近似服从正态分布。这意味着在实际中，很多复杂系统都可以被成功地建模成正态分布的噪声，即使系统可以被分解成一些更结构化的部分。 第二，在具有相同方差的所有可能的概率分布中，正态分布在实数上具有最大的不确定性。因此，我们可以认为正态分布是对模型加入的先验知识最少的分布。"
- "尽管我们的确需要一种用以对不确定性进行表示和推理的方法，但是概率论并不能明显地提供我们在人工智能领域需要的所有工具。概率论最初的发展是为了分析事件发生的频率我们可以很容易地看出概率论，对于像在扑克牌游戏中抽出一手特定的牌这种事件的研究中是如何使用的。这类事件往往是可以重复的。当我们说一个结果发生的概率为p，这意味着如果我们反复实验(例如，抽取一手牌)无限限次，有p的比例可能会导致这样的结果。 这种推理似乎并不立即适用于那些不可重复的命题。如果一个医生诊断了病人，并说该病人患流感的概率为40%，这意味着非常不同的事情一一我们既不能让病人有无穷多的副本，也没有任何理由去相信病人的不同副本在具有不同"
- "大多数哺乳动物的大脑使用单一的算法就可以解决大部分不同任务 分布式表示：可以用不同的神经元来识别不同的东西，比如三个神经元描述颜色，三个神经元描述对象身份"
作者简介
作者简介
Ian Goodfellow，谷歌公司(Google) 的研究科学家，2014 年蒙特利尔大学机器学习博士。他的研究兴趣涵盖大多数深度学习主题，特别是生成模型以及机器学习的安全和隐私。Ian Goodfellow 在研究对抗样本方面是一位有影响力的早期研究者，他发明了生成式对抗网络，在深度学习领域贡献卓越。
Yoshua Bengio，蒙特利尔大学计算机科学与运筹学系(DIRO) 的教授，蒙特利尔学习算法研究所(MILA) 的负责人，CIFAR 项目的共同负责人，加拿大统计学习算法研究主席。Yoshua Bengio 的主要研究目标是了解产生智力的学习原则。他还教授“机器学习”研究生课程(IFT6266)，并培养了一大批研究生和博士后。
Aaron Courville，蒙特利尔大学计算机科学与运筹学系的助理教授，也是LISA 实验室的成员。目前他的研究兴趣集中在发展深度学习模型和方法，特别是开发概率模型和新颖的推断方法。Aaron Courville 主要专注于计算机视觉应用，在其他领域，如自然语言处理、音频信号处理、语音理解和其他AI 相关任务方面也有所研究。
中文版审校者简介
张志华，北京大学数学科学学院统计学教授，北京大学大数据研究中心和北京大数据研究院数据科学教授，主要从事机器学习和应用统计学的教学与研究工作。
译者简介
赵申剑，上海交通大学计算机系硕士研究生，研究方向为数值优化和自然语言处理。
黎彧君，上海交通大学计算机系博士研究生，研究方向为数值优化和强化学习。
符天凡，上海交通大学计算机系硕士研究生，研究方向为贝叶斯推断。
李凯，上海交通大学计算机系博士研究生，研究方向为博弈论和强化学习。
目录
第 1 章 引言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 本书面向的读者 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7
1.2 深度学习的历史趋势 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 神经网络的众多名称和命运变迁 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.2 与日俱增的数据量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
显示全部
用户评论
翻译没有问题。我对自然语言一块直接讲n—gram模型等等问题而没任何前置有很大的疑惑。你搞给谁看的，定位是哪些人？你这么说，初学者看不懂，懂点MLDL的也看不懂，能畅通DL会这些的又不需要看，最后自然语言范范得几页带过去有什么意思。
感觉这本书不算深入浅出，不过倒是算一副全面的指南
这书主要用来合影的
建议读原版。不过翻译（尤其前几章）算是挺用心了。相比后面的网络介绍，前面的基础以及优化更值得反复读。Goodfellow的个性很细，看得出喜欢符号计算，读起来很舒服。不过CNN我觉得还是CS231n课程讲得好，RNN则看Understanding LSTM那文……
应该再早一点看一看的。能够有系统的重新理解这个方向的知识体系。概率模型和生成模型部分看得好挣扎。还需要更多的时间来消化。
作者很厉害，写的很一般，不适合入门者看、更不适合进阶者看。既不是合格的基础教材、也不是合格的综述文章。
翻译也太烂了吧，实在看不下去
我只能说我真的不能理解这个翻译😓
翻译扣一星
没看完，花书
下载
收藏