人工智能算法 卷3 深度学习和神经网络
链接：pan.baidu.com/s/1PimnaQreGtAEclYZPaC8Kw?pwd=wyp9
提取码：wyp9
自早期以来，神经网络就一直是人工智能的支柱。现在，令人兴奋的新技术（例如深度学习和卷积）正在将神经网络带入一个全新的方向。在本书中，我们将演示各种现实世界任务中的神经网络，例如图像识别和数据科学。我们研究了当前的神经网络技术，包括ReLU激活、随机梯度下降、交叉熵、正则化、Dropout及可视化等。
《人工智能算法卷3深度学习和神经网络（全彩印刷）》
第1章神经网络基础1
1.1神经元和层2
1.2神经元的类型5
1.3激活函数10
1.4修正线性单元（ReLU）13
1.5神经网络逻辑19
1.6本章小结22
第2章自组织映射23
2.1自组织映射24
2.2本章小结33
第3章Hopfield网络和玻尔兹曼机34
3.1Hopfield神经网络34
3.2Hopfield-Tank网络41
3.3玻尔兹曼机42
3.4应用玻尔兹曼机45
3.5本章小结51
第4章前馈神经网络53
4.1前馈神经网络结构54
4.2计算输出56
4.3初始化权重60
4.4径向基函数网络63
4.5规范化数据67
4.6本章小结75
第5章训练与评估77
5.1评估分类78
5.2评估回归88
5.3模拟退火训练89
5.4本章小结92
第6章反向传播训练93
6.1理解梯度93
6.2计算输出节点增量98
6.3计算剩余节点增量99
6.4激活函数的导数100
6.5应用反向传播103
6.6本章小结108
第7章其他传播训练110
7.1弹性传播110
7.2RPROP参数111
7.3数据结构113
7.4理解RPROP114
7.5Levenberg-Marquardt算法116
7.6Hessian矩阵的计算119
7.7具有多个输出的LMA120
7.8LMA过程概述122
7.9本章小结122
第8章NEAT，CPPN和HyperNEAT124
8.1NEAT网络125
8.2CPPN网络134
8.3HyperNEAT网络138
8.4本章小结142
第9章深度学习143
9.1深度学习组件143
9.2部分标记的数据144
9.3修正线性单元145
9.4卷积神经网络145
9.5神经元Dropout146
9.6GPU训练147
9.7深度学习工具149
9.8深度信念神经网络152
9.9本章小结164
第10章卷积神经网络165
10.1LeNET-5166
10.2卷积层168
10.3最大池层170
10.4稠密层172
10.5针对MNIST数据集的ConvNets172
10.6本章小结174
第11章剪枝和模型选择175
11.1理解剪枝176
11.2剪枝算法177
11.3模型选择179
11.4本章小结185
第12章Dropout和正则化186
12.1L1和L2正则化187
12.2Dropout层190
12.3使用Dropout194
12.4本章小结195
第13章时间序列和循环网络197
13.1时间序列编码198
13.2简单循环神经网络204
13.3本章小结213
第14章架构神经网络214
14.1评估神经网络215
14.2训练参数215
14.3常规超参数220
14.4LeNet-5超参数223
14.5本章小结224
第15章可视化226
15.1混淆矩阵227
15.2t-SNE降维229
15.3本章小结236
第16章用神经网络建模237
16.0.1挑战赛的经验241
16.0.2挑战赛取胜的方法242
16.0.3我们在挑战赛中的方法244
16.1用深度学习建模245
16.2本章小结250
附录A示例代码使用说明252
A.1系列图书简介252
A.2保持更新252
A.3获取示例代码253
A.3.1下载压缩文件253
A.3.2克隆Git仓库254
A.4示例代码的内容255
A.5如何为项目做贡献257
参考资料259