深度学习导论

1.国内知识图谱界领军人物、文因互联CEO鲍捷作序。国内外产业界和学术界大咖鼎力推荐2.本书编写简明扼要，是美国常青藤名校布朗大学的教材。本书的每一章都包括了一个编程项目和一些书面练习，并附上了参考资料，可供读者进一步阅读。3.人工智能经典入门书，基于Tensorflow编写，以项目为导向，通过一系列的编程任务，向读者介绍了热门的人工智能应用，包括计算机视觉、自然语言处理和强化学习等。4.做中学。作者在前言中写道：“对我而言，学习计算机科学的优选方法，就是坐下来写程序。”本书正是采用了这种方法。

《深度学习导论》讲述了前馈神经网络、Tensorflow、卷积神经网络、词嵌入与循环神经网络、序列到序列学习、深度强化学习、无监督神经网络模型等深度学习领域的基本概念和技术，通过一系列的编程任务，向读者介绍了热门的人工智能应用，包括计算机视觉和自然语言处理等。本书编写简明扼要，理论联系实践，每一章都包含习题以及补充阅读的参考文献。本书既可作为高校人工智能课程的教学用书，也可供从业者入门参考。本书要求读者熟悉线性代数、多元微积分、概率论与数理统计知识，另外需要读者了解Python编程。

作者简介尤金·查尔尼克（Eugene Charniak），美国布朗大学计算机科学和认知科学教授，博士毕业于MIT，博士导师是人工智能之父马文·明斯基。他是国际知名的人工智能研究者，美国人工智能学会（AAAI）会士，2011年获美国计算语言学会（ACL）终身成就奖。除本书之外，他还撰写了《统计语言学习》《人工智能编程》等图书。译者简介沈磊，美国计算语言学会（ACL）会员，中国计算机学会（CCF）会员，博士毕业于北京航空航天大学计算机学院，博士研究方向为人工智能、模式识别，现为vivo公司北京AI研究院NLP算法专家，主要方向为自然语言理解和自动问答。她在自然语言处理及推荐算法方向发表了多篇学术论文，申请了5项专利。郑春萍，教育学博士，北京邮电大学人文学院副教授，主要研究方向为应用语言学与计算机辅助翻译。她是美国国务院“英语语言学者项目”访问学者、英国曼彻斯特大学人文艺术学院访问学者，曾获北京市高等教育教学成果一等奖、北京市高校青年教学名师奖、中央电视台“希望之星”英语风采大赛全国总决赛很好指导教师奖等奖项。她主持了国家社科基金、教育部霍英东青年教师基金及教育部人文社科基金等省部级课题6项，发表学术论文40余篇，主编教材2部，出版专著1部、译著2部。

第 1章  前馈神经网络  1  1.1 感知机  3  1.2 神经网络的交叉熵损失函数  7  1.3 导数与随机梯度下降  11  1.4 编写程序  15  1.5 神经网络的矩阵表示  17  1.6 数据独立性  19  1.7 参考文献和补充阅读  20  1.8 习题  21第  2章 Tensorflow  23  2.1 预备知识  23  2.2 TF程序  26  2.3 多层神经网络  31  2.4 其他方面  34  2.4.1 检查点  34  2.4.2 tensordot  35  2.4.3 TF变量的初始化  37  2.4.4 TF图创建的简化  39  2.5 参考文献和补充阅读  40  2.6 习题  40第3章  卷积神经网络  43  3.1 滤波器、步长和填充  43  3.2 一个简单的TF卷积例子  49  3.3 多层卷积  51  3.4 卷积细节  54  3.4.1 偏置  54  3.4.2 卷积层  55  3.4.3 池化运算（pooling）  55  3.5 参考文献和补充阅读  56  3.6 习题  57第4章  词嵌入与循环神经网络  59  4.1 语言模型的词嵌入  59  4.2 构建前馈语言模型  63  4.3 改进前馈语言模型  65  4.4 过拟合  66  4.5 循环网络  69  4.6 长短期记忆模型  75  4.7 参考文献和补充阅读  78  4.8 习题  78第5章  序列到序列学习  81  5.1 seq2seq模型  82  5.2 编写一个seq2seq MT程序  84  5.3 seq2seq中的注意力机制  87  5.4 多长度seq2seq  90  5.5 编程练习  91  5.6 参考文献和补充阅读  93  5.7 习题  94第6章  深度强化学习  97  6.1 值迭代  98  6.2 Q学习  101  6.3 深度Q学习基础  103  6.4 策略梯度法  106  6.5 行动者-评论家方法  112  6.6 经验回放  114  6.7 参考文献和补充阅读  115  6.8 习题  116第7章  无监督神经网络模型  119  7.1 基本自编码  119  7.2 卷积自编码  122  7.3 变分自编码  126  7.4 生成式对抗网络  132  7.5 参考文献和补充阅读  137  7.6 习题  137附录A  部分习题答案  139附录B  参考文献  143附录C  索引  147本书赞誉  151