深度学习基础

深度学习是人工智能的 核心技术，也是计算机科学 的重要分支。本书作为该领 域的入门教材，系统梳理和 规划相关知识体系，内容上 尽量覆盖近年来深度学习的 主要常见模型和前沿热点。 全书共分13章，大致可 以分为4个部分：第1部分（ 第1～3章）重点介绍机器学 习/深度学习的基础概念； 第2部分（第4～5章）介绍 机器学习/深度学习的3大类 基本问题，即分类、回归和 聚类问题，并简要介绍浅层 机器学习的若干常见方法作 为铺垫；第3部分（第6～7 章）为深度学习中的重要基 础性知识，即神经网络的优 化方法和感知机模型；第4 部分（第8～13章）为深度 学习的主要常见模型与方法 ，包括建模序列数据的神经 网络、卷积神经网络、预训 练方法、图神经网络、生成 式神经网络、从强化学习到 深度强化学习等。本书每章 均附有习题，重要内容均配 有编程练习题以及用Python 语言编写的参考例程，可供 读者阅读或者练习，以加深 对相关内容的理解。 本书思维脉络清晰，图 文并茂，层层递进，可读性 好。本书可作为高等学校计 算机、人工智能、自动化、 电子和通信等相关专业的本 科生或者研究生的教材，也 可供对深度学习/机器学习 感兴趣的研究人员和工程技 术人员阅读参考。

第1章 引论 1.1 深度学习概念的引出 1.1.1 人类的学习 1.1.2 什么是机器学习？ 1.1.3 什么是深度学习？ 1.2 深度学习的发展历史 1.3 深度学习与人工智能 1.3.1 什么是人工智能？ 1.3.2 人工智能的发展历程 1.3.3 人工智能的三大学派 1.3.4 深度学习技术手段在人工智能应用中的优势 1.4 为什么要深度学习？ 1.4.1 人工智能已经进入深度学习时代 1.4.2 深度学习技术促进了人工智能与其他学科、领域的交叉和融合 1.5 本书后续内容安排 1.6 本章小结 思考题 参考文献 第2章 机器学习概述 2.1 深度学习的硬件计算环境 2.1.1 深度学习中的重要芯片：GPU 2.1.2 深度学习为什么需要GPU芯片 2.1.3 GPU芯片发展历程 2.1.4 深度学习GPU环境的搭建 2.2 深度学习的软件计算环境 2.2.1 基于MindSpore的深度学习框架及其安装 2.2.2 基于ModelArts的深度学习云服务计算环境 2.3 数据集 2.3.1 数据集的数学表示：以鸢尾花数据集为例 2.3.2 人工标注的一致性分析 2.3.3 数据集的拆分问题 2.3.4 K折交叉验证 2.3.5 基于网格搜索与K折交叉验证相结合来调整超参数 2.4 机器学习方法的分类 2.4.1 按样本标签的情况分类 2.4.2 有监督学习中的判别模型和生成模型 2.5 半监督学习 2.5.1 简单自训练学习 2.5.2 标准协同训练学习 2.5.3 tri-training协同训练学习 2.6 主动学习 2.7 元学习 2.7.1 什么是元学习 2.7.2 MAML：与模型无关的元学习 2.8 排序学习 2.8.1 排序学习及其方法 2.8.2 排序结果的评价方法 2.9 本章小结 思考题 参考文献