统计学习bi学的十个问题 理论与实践 深度学习bi学的十个问题 理论与实践 李轩涯 2册 人工智能深度学习 人工智能统计学习籍 无 9787568037945
配送至
| 开本：16开 |
| 纸张：胶版纸 |
| 包装：平装 |
| 是否套装：否 |
| 国际标准书号ISBN：9787568037945 |
| 所属分类：图书>青春文学>跨界作者 |
商品详情
编号
书名深度学习必学的十个问题——理论与实践
作者李轩涯、张暐
定
出版社名称清华大学出版社
深度学习是目前流行的技术领域。本书兼顾了数学上的理解和代码实践，内容主要包括基础知识和深度学习模型。章
介绍深度学习的简洁发展思路和表示学习机制； 章、章介绍神经网络的基于梯度的优化方法、神经网络的优化难点以及相应的解决方法； 章讨论神经网络遇到的过拟合问题； 章分析神经网络的小组成部分——神经元； 章讨论三种方案解决深层网络的训练难题批标准化、、； 章、章讲述了两种重要的神经网络模型卷积神经网络和循环神经网络； 章讨论了对于神经网络的无监督学习方式； 章详细讨论以变分自编码器和对抗生成网络为代表的概率生成网络。
本书适合对于深度学习感兴趣的大学生、工程师阅读参考。阅读本书需要具备基础的编程技术和基本的数学知识。
章作为机器学习模型的神经网络
表示学习
感知器与神经网络
使用
章神经网络的训练
基于梯度的一阶优化
基于梯度的二阶优化
普通训练方法的局限
误差反向传播算法的本质
使用
章神经网络的优化难题
局部极小值，鞍点和非凸优化
随机梯度下降的优势
梯度方向优化
动态调整学习率
使用
章神经网络的过拟合
参数绑定和提前终止
数据增强和噪声添加
使用
章神经网络的神经单元
梯度消失和梯度爆炸
隐藏单元设计原则和的非零中心
基于线性函数的改进和单元
使用
章神经网络的深度训练
预处理和批标准化
批标准化的不同视角协变量偏差和协调更新
自归一化神经网络
使用
章卷积神经网络
局部连接和权重共享
卷积作的重要概念
卷积核的参数学习
基于感受野的三个卷积技巧
使用
章循环神经网络
理解循环结构
循环结构的参数学习
正交初始化和记忆容量
理解
使用
章无监督表示学习自编码器
自编码器
稀疏自编码器
收缩自编码器
使用
章概率生成模型
变分自编码器
生成对抗网络
使用
参考文献
编号
书名统计学习必学的十个问题——理论与实践
作者李轩涯、张暐
定
出版社名称清华大学出版社
统计学习是机器学习的重要分支，本书兼顾了数学上的理论和代码实践，内容主要包括基础知识和统计学习模型。章、章结合维介绍过拟合的本质，并介绍手动特征选择的办法； 章、章从简单的线性模型出发经过概率统计的解读而得到分类和回归算法； 章讨论不依赖于假设分布的非参数模型； 章介绍将核方法作为一种非线性拓展的技巧，介绍如何将该方法应用到很多算法中，并引出了著名的高斯过程； 章以混合高斯作为软分配聚类的代表性方法，从而引出著名的算法； 章讨论了机器学习的集成算法； 章介绍的线性和非线性降维方法将会解决维度灾难问题，并且不同于单纯的特征选择； 章讨论不依赖于独立同分布假设的时间序列算法。
本书适合对于统计学习感兴趣的大学生、工程师阅读参考。阅读本书需要具备基础的编程技术和基本的数学知识。
章防止过拟合
过拟合和欠拟合的背后
性能度量和损失函数
假设空间和维
偏差方差分解的意义
正则化和参数绑定
使用
章特征选择
包裹法
过滤法
嵌入法
使用
章回归算法中的贝叶斯
快速理解判别式模型和生成式模型
极大似然估计和平方损失
大后验估计和正则化
贝叶斯线性估计
使用
章分类算法中的贝叶斯
广义线性模型下的函数和函数
对数损失和交熵
逻辑回归的多项式拓展和正则化
朴素贝叶斯分类器
拉普拉斯平滑和连续特征取值的处理方法
使用
章非参数模型
近邻与距离度量
近邻与树
决策树和条件熵
决策树的剪枝
连续特征取值的处理方法和基尼指数
回归树
使用
章核方法
核方法的本质
对偶表示和拉格朗日乘子法
常见算法的核化拓展
高斯过程
使用
章混合高斯比高斯分布更强大
聚类的重要问题
潜变量与均值
混合高斯和极大似然估计的失效
算法的核心步骤
使用
章模型组合策略
和随机森林
的基本框架
和
使用
章核化降维和学习流形
线性降维
核化线性降维
流形学习
使用
章处理时间序列
概率图模型和隐变量
高阶马尔可夫模型
隐马尔可夫模型
隐马尔可夫模型的算法
使用
参考文献
编号
书名深度学习必学的十个问题——理论与实践
作者李轩涯、张暐
定
出版社名称清华大学出版社
深度学习是目前流行的技术领域。本书兼顾了数学上的理解和代码实践，内容主要包括基础知识和深度学习模型。章
介绍深度学习的简洁发展思路和表示学习机制； 章、章介绍神经网络的基于梯度的优化方法、神经网络的优化难点以及相应的解决方法； 章讨论神经网络遇到的过拟合问题； 章分析神经网络的小组成部分——神经元； 章讨论三种方案解决深层网络的训练难题批标准化、、； 章、章讲述了两种重要的神经网络模型卷积神经网络和循环神经网络； 章讨论了对于神经网络的无监督学习方式； 章详细讨论以变分自编码器和对抗生成网络为代表的概率生成网络。
本书适合对于深度学习感兴趣的大学生、工程师阅读参考。阅读本书需要具备基础的编程技术和基本的数学知识。
章作为机器学习模型的神经网络
表示学习
感知器与神经网络
使用
章神经网络的训练
基于梯度的一阶优化
基于梯度的二阶优化
普通训练方法的局限
误差反向传播算法的本质
使用
章神经网络的优化难题
局部极小值，鞍点和非凸优化
随机梯度下降的优势
梯度方向优化
动态调整学习率
使用
章神经网络的过拟合
参数绑定和提前终止
数据增强和噪声添加
使用
章神经网络的神经单元
梯度消失和梯度爆炸
隐藏单元设计原则和的非零中心
基于线性函数的改进和单元
使用
章神经网络的深度训练
预处理和批标准化
批标准化的不同视角协变量偏差和协调更新
自归一化神经网络
使用
章卷积神经网络
局部连接和权重共享
卷积作的重要概念
卷积核的参数学习
基于感受野的三个卷积技巧
使用
章循环神经网络
理解循环结构
循环结构的参数学习
正交初始化和记忆容量
理解
使用
章无监督表示学习自编码器
自编码器
稀疏自编码器
收缩自编码器
使用
章概率生成模型
变分自编码器
生成对抗网络
使用
参考文献
编号
书名统计学习必学的十个问题——理论与实践
作者李轩涯、张暐
定
出版社名称清华大学出版社
统计学习是机器学习的重要分支，本书兼顾了数学上的理论和代码实践，内容主要包括基础知识和统计学习模型。章、章结合维介绍过拟合的本质，并介绍手动特征选择的办法； 章、章从简单的线性模型出发经过概率统计的解读而得到分类和回归算法； 章讨论不依赖于假设分布的非参数模型； 章介绍将核方法作为一种非线性拓展的技巧，介绍如何将该方法应用到很多算法中，并引出了著名的高斯过程； 章以混合高斯作为软分配聚类的代表性方法，从而引出著名的算法； 章讨论了机器学习的集成算法； 章介绍的线性和非线性降维方法将会解决维度灾难问题，并且不同于单纯的特征选择； 章讨论不依赖于独立同分布假设的时间序列算法。
本书适合对于统计学习感兴趣的大学生、工程师阅读参考。阅读本书需要具备基础的编程技术和基本的数学知识。
章防止过拟合
过拟合和欠拟合的背后
性能度量和损失函数
假设空间和维
偏差方差分解的意义
正则化和参数绑定
使用
章特征选择
包裹法
过滤法
嵌入法
使用
章回归算法中的贝叶斯
快速理解判别式模型和生成式模型
极大似然估计和平方损失
大后验估计和正则化
贝叶斯线性估计
使用
章分类算法中的贝叶斯
广义线性模型下的函数和函数
对数损失和交熵
逻辑回归的多项式拓展和正则化
朴素贝叶斯分类器
拉普拉斯平滑和连续特征取值的处理方法
使用
章非参数模型
近邻与距离度量
近邻与树
决策树和条件熵
决策树的剪枝
连续特征取值的处理方法和基尼指数
回归树
使用
章核方法
核方法的本质
对偶表示和拉格朗日乘子法
常见算法的核化拓展
高斯过程
使用
章混合高斯比高斯分布更强大
聚类的重要问题
潜变量与均值
混合高斯和极大似然估计的失效
算法的核心步骤
使用
章模型组合策略
和随机森林
的基本框架
和
使用
章核化降维和学习流形
线性降维
核化线性降维
流形学习
使用
章处理时间序列
概率图模型和隐变量
高阶马尔可夫模型
隐马尔可夫模型
隐马尔可夫模型的算法
使用
参考文献