内容简介

人工智能以及深度学习正在改变着人们对软件的理解，正使得计算机更加智能。深度学习算法应用非常广泛，远远超出数据科学的范畴。本书首先介绍了一些机器学习算法的基础，随后就带领你进入一个引人入胜的机器智能的世界。你将领略到各种神经网络的魅力及挑战。我们将使用基于DL4J的Java库，一起攻克图像处理、语音识别和自然语言处理等各种问题。同时，你也会接触到当今重要的其他开发平台，如Theano、TensorFlow和Caffe。通过本书的学习，你将具备用Java攻克深度学习问题的能力，并为这个领域贡献自己的力量。

作者简介

[日] 巣笼悠辅（Yusuke Sugomori） 著，陈澎 译

目录

译者序
前言
第1章深度学习概述
1.1人工智能的变迁
1.1.1人工智能的定义
1.1.2人工智能曾经的辉煌
1.1.3机器学习的演化
1.1.4机器学习的局限性
1.2人与机器的区分因素
1.3人工智能与深度学习
1.4小结
第2章机器学习算法——为深度学习做准备
2.1入门
2.2机器学习中的训练需求
2.3监督学习和无监督学习
2.3.1支持向量机
2.3.2隐马尔可夫模型
2.3.3神经网络
2.3.4逻辑回归
2.3.5增强学习
2.4机器学习应用流程
2.5神经网络的理论和算法
2.5.1单层感知器
2.5.2逻辑回归
2.5.3多类逻辑回归
2.5.4多层感知器
2.6小结
第3章深度信念网络与栈式去
噪自编码器
3.1神经网络的没落
3.2神经网络的复兴
3.2.1深度学习的进化——突破是什么
3.2.2预训练的深度学习
3.3深度学习算法
3.3.1限制玻尔兹曼机
3.3.2深度信念网络
3.3.3去噪自编码器
3.3.4栈式去噪自编码器
3.4小结
第4章dropout和卷积神经网络
4.1没有预训练的深度学习算法
4.2dropout
4.3卷积神经网络
4.3.1卷积
4.3.2池化
4.3.3公式和实现
4.4小结
第5章探索Java深度学习库——DL4J、ND4J以及其他
5.1从零实现与使用库/框架
5.2DL4J和 ND4J 的介绍
5.3使用 ND4J 实现
5.4使用DL4J实现
5.4.1设置
5.4.2构建
5.4.3CNNMnistExample.java/LenetMnistExample.java
5.4.4学习速率的优化
5.5小结
第6章实践应用——递归神经网络等
6.1深度学习热点
6.1.1图像识别
6.1.2自然语言处理
6.2深度学习的挑战
6.3最大化深度学习概率和能力的方法
6.3.1面向领域的方法
6.3.2面向分解的方法
6.3.3面向输出的方法
6.4小结
第7章其他重要的深度
学习库
7.1Theano
7.2TensorFlow
7.3Caffe
7.4小结
第8章未来展望
8.1深度学习的爆炸新闻
8.2下一步的展望
8.3对深度学习有用的新闻资源
8.4小结

感悟与笔记

有监督学习、无监督学习、分类、聚类、回归等概念

1. 特征（feature）
   • 数据的特征。

     书的内容。

2. 标签（label）
   • 数据的标签。

   书属于的类别，例如“计算机”“图形学”“英文书”“教材”等。

3. 学习（learning）
   • 将很多数据丢给计算机分析，以此来训练该计算机，培养计算机给数据分类的能力。换句话说，学习指的就是找到特征与标签的映射（mapping）关系。这样当有特征而无标签的未知数据输入时，我们就可以通过已有的关系得到未知数据标签。

   把很多书交给一个学生，培养他给书本分类的能力。

4. 有监督学习（supervised learning）
   • 不仅把训练数据丢给计算机，而且还把分类的结果（数据具有的标签）也一并丢给计算机分析。
     由于计算机在学习的过程中不仅有训练数据，而且有训练结果（标签），因此训练的效果通常不错。训练结束之后进行测试

   不仅把书给学生进行训练给书本分类的能力，而且把分类的结果（哪本书属于哪些类别）也给了学生做标准参考。

   计算机进行学习之后，再丢给它新的未知的数据，它也能计算出该数据导致各种结果的概率，给你一个最接近正确的结果。

5. 无监督学习（unsupervised learning）
   • 只给计算机训练数据，不给结果（标签），因此计算机无法准确地知道哪些数据具有哪些标签，只能凭借强大的计算能力分析数据的特征，从而得到一定的成果，通常是得到一些集合，集合内的数据在某些特征上相同或相似。

   只给学生进行未分类的书本进行训练，不给标准参考，学生只能自己分析哪些书比较像，根据相同与相似点列出清单，说明哪些书比较可能是同一类别的。

6. 半监督学习（semi-supervised learning）
   • 给计算机大量训练数据与少量的分类结果（具有同一标签的集合）。

   给学生很多未分类的书本与少量的清单，清单上说明哪些书属于同一类别。

7. 聚类（clustering）
   • 无监督学习的结果。聚类的结果将产生一组集合，集合中的对象与同集合中的对象彼此相似，与其他集合中的对象相异。

   没有标准参考的学生给书本分的类别，表示自己认为这些书可能是同一类别的（具体什么类别不知道）。

8. 分类（classification）
   • 有监督学习的两大应用之一，产生离散的结果。

   例如向模型输入人的各种数据的训练样本，产生“输入一个人的数据，判断是否患有癌症”的结果，结果必定是离散的，只有“是”或“否”。

9. 回归（regression）
   • 有监督学习的两大应用之一，产生连续的结果。

   例如向模型输入人的各种数据的训练样本，产生“输入一个人的数据，判断此人20年后今后的经济能力”的结果，结果是连续的，往往得到一条回归曲线。当输入自变量不同时，输出的因变量非离散分布。

会员免费下载

链接：https://pan.baidu.com/s/16SBrEImTa9N7dJLBwcUeaw

提取码： ****** 查看

￥69/年 开通VIP会员

成为本站VIP会员即可无限下载。 请先点击百度网盘，看资源是否还在，不在请点击链接通知站长补资源。

资源标签点击标签可查看对应分类的资源

Java人工智能

资源推荐

免费 图解数据结构：使用Java

CSS世界

C++ 程序设计语言：第4部分 标准库（原书第4版）

Vue.js快速入门

Java编程思想（第4版） [thinking in java]

JavaScript DOM编程艺术（第2版）

C++ Primer Plus（第6版） 中文版

大数据技术原理与应用（第2版）