歷經三年才完成,復旦教授的《神經網絡與深度學習》可免費下載了

大數據技術2019-08-20 22:32:05

程序員書庫(ID:OpenSourceTop)編譯

書籍來自部分內容摘自:《神經網絡與深度學習》


近年來,深度學習在語音、圖像、自然語言處理等領域都取得了非常不錯的成果,自然而然地成為技術人員爭相學習的熱點。


為了幫助正在學習深度學習的夥伴們掌握神經網絡與深度學習技術的基本原理,知其然還要知其所以然。復旦大學副教授邱錫鵬推出了一本非常火熱的深度學習入門教程:《神經網絡與深度學習》,而且是開源免費的。



歷經三年,邱老師將自己的研究,日常的教學和實踐結合梳理,才有了這本《神經網絡與深度學習》,邱錫鵬教授表示:
近年來,以機器學習、知識圖譜為代表的人工智能技術逐漸變得普及。從車牌識別、人臉識別、智能問答、推薦系統到自動駕駛,人們在日常生活中都可能有意無意地使用到了人工智能技術。這些技術的背後都離不開人工智能領域研究者們的長期努力。最近這幾年,得益於數據的增多、計算能力的增強、學習算法的成熟以及應用場景的豐富,越來越多的人開始關注深度學習這一個研究領域。


深度學習以神經網絡為主要模型,一開始用來解決機器學習中的表示學習問題。但是由於其強大的能力,深度學習越來越多地用來解決一些通用人工智能問題,比如推理、決策等。目前,深度學習技術在學術界和工業界取得了廣泛的成功,受到高度重視,並掀起新一輪的人工智能熱潮。



閲讀路線


本書共分為15章,可以分為三大塊:機器學習、神經網絡和概率圖模型,組織結構如下圖所示:


機器學習:機器學習可以分為監督學習、無監督學習和強化學習。第2章對機器學習進行概述,使讀者能夠了解機器學習的基本概念,並以線性迴歸為例來講述不同學習算法之間的關聯。第3章主要介紹一些基本的線性模型。這兩章都以監督學習為主進行介紹。第9章介紹了一些無監督學習方法。第10章中介紹一些和模型無關的機器學習方法。第14章介紹了深度強化學習的知識。

神經網絡:第4章到第6章分別講述三種主要的神經網絡模型:前饋神經網絡、卷
積神經網絡和循環神經網絡。並在第6章中介紹一種更一般性的網絡:圖網絡。
第7章介紹神經網絡的優化與正則化方法。第8章介紹神經網絡中的注意力機制
和外部記憶。

概率圖模型:概率圖模型為機器學習提供了一個更加便捷的描述框架。目前深度
學習和概率圖模型的融合已經十分流行。第11章介紹了概率圖模型的基本概念,
並在第12章介紹兩種概率圖模型:玻爾茲曼機和深度信念網絡。第13章和第15章
分別介紹兩種概率生成模型:深度生成模型和序列生成模型。

詳細的章節如下:
  • 第 1 章:緒論

  • 第 2 章:機器學習概述

  • 第 3 章:線性模型

  • 第 4 章:前饋神經網絡
  • 第 5 章:卷積神經網絡
  • 第 6 章:循環神經網絡
  • 第 7 章:網絡優化與正則化
  • 第 8 章:注意力機制與外部記憶
  • 第 8 章:無監督學習
  • 第 10 章:模型獨立的學習方式
  • 第 11 章:概率圖模型
  • 第 12 章:深度信念網絡
  • 第 13 章:深度生成模型
  • 第 14 章:深度強化學習
  • 第 15 章:序列生成模型


邱教授在每章的最後一節都提供了一些參考文獻,讀者可根據需要通過深入
閲讀來了解這些知識,並且在附錄中介紹了一些深度學習涉及到的數學知
識,包括線性代數、微積分、概率論、信息論和優化等。

除此之外,邱教授還並且為大家推薦了以下課程,感興趣的也可以去看看:


Stat212b:Topics Course on Deep Learning
http://joanbruna.github.io/stat212b/

加州大學伯克利分校統計系Joan Bruna(Yann LeCun博士後) 以統計的角度講解DL。


CS224d: Deep Learning for Natural Language Processing
http://cs224d.stanford.edu/

斯坦福大學 Richard Socher 主要講解自然語言處理領域的各種深度學習模型


CS231n:Convolutional Neural Networks for Visual Recognition
http://cs231n.stanford.edu/

斯坦福大學 Fei-Fei Li Andrej Karpathy 主要講解CNN、RNN在圖像領域的應用


關於作者



邱錫鵬,復旦大學副教授,博士生導師,主要從事自然語言處理、深度學習等方向的研究,在ACL、EMNLP、AAAI、IJCAI等計算機學會A/B類期刊、會議上發表50餘篇學術論文。


最後附上,本書相關鏈接地址:
GitHub地址:https://nndl.github.io/


全書 pdf:https://nndl.github.io/nndl-book.pdf


示例代碼:https://github.com/nndl/nndl-codes


課程練習:https://github.com/nndl/exercise



●編號866,輸入編號直達本文

●輸入m獲取到文章目錄

推薦↓↓↓

程序員書庫

https://hk.wxwenku.com/d/201202715