<內容簡介>

本書不僅介紹了深度學習的發展歷史，強調了深層網絡的特點和優勢，說明瞭判別模型和生成模型的相關概念，而且詳述了深度學習的九種重要模型及其學習算法、變種模型和混雜模型，討論了深度學習在圖像處理、語音處理和自然語言處理等領域的廣泛應用，也總結了深度學習目前存在的問題、挑戰和未來的發展趨勢，還分析了一系列深度學習的基本案例。

本書可以作為計算機、自動化、信號處理、機電工程、應用數學等相關專業的研究生、教師和科研工作者在具備神經網絡基礎知識後進一步瞭解深度學習理論和方法的入門教材或導論性參考書，有助於讀者掌握深度學習的主要內容並開展相關研究。

<作者簡介>

李玉鑑（鑑）

北京工業大學教授，博士生導師。華中科技大學本科畢業，中國科學院數學研究所碩士畢業，中國科學院半導體研究所博士畢業，北京郵電大學博士後出站。曾在中國科學院生物物理所工作，對意識的本質問題關註過多年，並在《21世紀100個交叉科學難題》上發表《揭開意識的奧秘》一文，提出瞭解決意識問題的認知相對論綱領，對腦計劃和類腦研究具有宏觀指導意義。長期圍繞人工智能的核心目標，在神經網絡、自然語言處理、模式識別和機器學習等領域開展教學、科研工作，發表國內外期刊、會議論文數十篇，是本書的第一作者。

<章節目錄>

前言

第一部分  基礎理論

第1章   概述

1.1     深度學習的起源和發展

1.2     深層網絡的特點和優勢

1.3     深度學習的模型和算法

第2章   預備知識

2.1     矩陣運算

2.2     概率論的基本概念

2.2.1   概率的定義和性質

2.2.2   隨機變量和概率密度函數

2.2.3   期望和方差

2.3     信息論的基本概念

2.4     概率圖模型的基本概念

2.5     概率有向圖模型

2.6     概率無向圖模型

2.7     部分有向無圈圖模型

2.8     條件隨機場

2.9     馬爾可夫鏈

2.10    概率圖模型的學習

2.11    概率圖模型的推理

2.12    馬爾可夫鏈蒙特卡羅方法

2.13    玻耳茲曼機的學習

2.14    通用反向傳播算法

2.15    通用逼近定理

第3章   受限玻耳茲曼機

3.1     受限玻耳茲曼機的標準模型

3.2     受限玻耳茲曼機的學習算法

3.3     受限玻耳茲曼機的變種模型

第4章   自編碼器

4.1     自編碼器的標準模型

4.2     自編碼器的學習算法

4.3     自編碼器的變種模型

第5章   深層信念網絡

5.1     深層信念網絡的標準模型

5.2     深層信念網絡的生成學習算法

5.3     深層信念網絡的判別學習算法

5.4     深層信念網絡的變種模型

第6章   深層玻耳茲曼機

6.1     深層玻耳茲曼機的標準模型

6.2     深層玻耳茲曼機的生成學習算法

6.3     深層玻耳茲曼機的判別學習算法

6.4     深層玻耳茲曼機的變種模型

第7章   和積網絡

7.1     和積網絡的標準模型

7.2     和積網絡的學習算法

7.3     和積網絡的變種模型

第8章   捲積神經網絡

8.1     捲積神經網絡的標準模型

8.2     捲積神經網絡的學習算法

8.3     捲積神經網絡的變種模型

第9章   深層堆疊網絡

9.1     深層堆疊網絡的標準模型

9.2     深層堆疊網絡的學習算法

9.3     深層堆疊網絡的變種模型

第10章  循環神經網絡

10.1    循環神經網絡的標準模型

10.2    循環神經網絡的學習算法

10.3    循環神經網絡的變種模型

第11章  長短時記憶網絡