智能之門:神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)入門(基于Python的實(shí)現(xiàn))
定 價(jià):69 元
叢書名:新一代人工智能系列教材
- 作者:胡曉武,秦婷婷,李超,鄒欣 著
- 出版時(shí)間:2020/12/1
- ISBN:9787040541410
- 出 版 社:高等教育出版社
- 中圖法分類:TP183
- 頁碼:437
- 紙張:膠版紙
- 版次:1
- 開本:16開
《智能之門:神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)入門(基于Python的實(shí)現(xiàn))》是作者在總結(jié)多年的實(shí)際工程應(yīng)用經(jīng)驗(yàn)的基礎(chǔ)上編著而成的,是一本面向本科生的神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的入門教材。通過閱讀該書,讀者可以掌握神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的基本理論,并通過大量的代碼練習(xí),在做中學(xué),提高將理論知識運(yùn)用于實(shí)際工程的能力。
該書內(nèi)容豐富,以“提出問題-解決方案-原理分析-可視化理解”的方式向讀者介紹了深度學(xué)習(xí)的入門知識,并總結(jié)了“9步學(xué)習(xí)法”,分為基本概念、線性回歸、線性分類、非線性回歸、非線性分類、模型的推理與應(yīng)用部深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)以及循環(huán)神經(jīng)網(wǎng)絡(luò)9個(gè)步驟,對神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)進(jìn)行了系統(tǒng)全面的講解。
《智能之門:神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)入門(基于Python的實(shí)現(xiàn))》既可以作為高等院校計(jì)算機(jī)、人工智能等專業(yè)的教學(xué)用書,也可供對深度學(xué)習(xí)感興趣的研究人員和工程技術(shù)人員閱讀參考。
2018年初,本書的編寫團(tuán)隊(duì)開始搭建微軟亞洲研究院的人工智能教育平臺,通過和高校的老師交流,了解到高校正面臨著如下的挑戰(zhàn)。
1.人工智能技術(shù)棧復(fù)雜,新突破、新框架層出不窮,要“教”什么?是教數(shù)學(xué)基礎(chǔ),還是教即學(xué)即用的職業(yè)技能(例如模型調(diào)參技巧)?
2.人工智能課程,在互聯(lián)網(wǎng)上都能找到相應(yīng)的課程或者講義,那為何還要在課堂上面對面地授課?
3.人工智能=算法+算力+數(shù)據(jù),學(xué)校缺乏算力和數(shù)據(jù),如何獲取并管理有限的算力和數(shù)據(jù),完成高質(zhì)量的教學(xué)?
經(jīng)過不斷地探索和實(shí)踐,找到了應(yīng)對這些挑戰(zhàn)的解決方案,本書就是成果之一。
1.希望讓讀者“知其然,知其所以然”。在學(xué)習(xí)編程時(shí),如果能親手編寫核心代碼,并跟蹤執(zhí)行,就能掌握這個(gè)程序。類似地,如果能自己動手構(gòu)建一個(gè)小型的深度學(xué)習(xí)系統(tǒng),那么才算真正掌握了基本原理,入門了深度學(xué)習(xí)。
2.如果讀者缺乏足夠的動力和能力去整理網(wǎng)上良莠不齊的資料并實(shí)踐,往往出現(xiàn)“以后再看,再也不看”“從入門到放棄”的現(xiàn)象。本書配有高質(zhì)量的代碼和注釋,且在配套的網(wǎng)上社區(qū)能夠展開討論,能持續(xù)發(fā)展。本書的編寫團(tuán)隊(duì)與北京某985高校合作,基于本書內(nèi)容開設(shè)了一門選修課(32學(xué)時(shí)),用“項(xiàng)目驅(qū)動”的教學(xué)方式.讓學(xué)生們組隊(duì)完成有實(shí)際意義的人工智能項(xiàng)目,入門深度學(xué)習(xí)。在微軟中國公司內(nèi)部有50余名工程師使用本書內(nèi)容進(jìn)行了為期14周的培訓(xùn),取得了很好的效果。
3.本書的教學(xué)案例都放在Github上的“微軟人工智能教育與學(xué)習(xí)共建社區(qū)”,這些案例(包括數(shù)據(jù))可以讓讀者了解人工智能的各種模型和實(shí)際任務(wù),也讓課程教師在教學(xué)中有豐富的素材可以選擇。
Talkischeap,showmethecode(代碼勝于雄辯)。
希望讀者可以通過“運(yùn)行代碼一理解代碼一改進(jìn)代碼”的方式,來理解和掌握深度學(xué)習(xí)的入門知識和技能。網(wǎng)上社區(qū)的內(nèi)容,包括知識點(diǎn)短視頻還在不斷地更新中,希望讀者能參與社區(qū)的各種活動,在實(shí)戰(zhàn)和問答中精進(jìn)。
本書把深度學(xué)習(xí)的入門知識歸納成了9個(gè)步驟,如圖1所示。每一步一般會使用如下方式進(jìn)行講解。
1.提出問題:先提出一個(gè)與現(xiàn)實(shí)相關(guān)的假設(shè)問題,為了由淺人深,這些問題并不復(fù)雜,是實(shí)際工程問題的簡化版本。2.解決方案:運(yùn)用神經(jīng)網(wǎng)絡(luò)的知識解決這些問題,從最簡單的模型開始,逐步深入。
3.原理分析:使用基本的物理學(xué)概念或者數(shù)學(xué)工具,理解神經(jīng)網(wǎng)絡(luò)的工作方式。
4.可視化理解:可視化是學(xué)習(xí)新知識的重要手段,由于本書中使用的是簡單案例,因此可以很方便地可視化。原理分析和可視化理解是本書的一個(gè)特點(diǎn),希望能告訴讀者,神經(jīng)網(wǎng)絡(luò)是可以學(xué)懂的,大家不要停留在“不知其所以然”的狀態(tài)。
另外,為了便于理解,本書提供了大量的示意圖,相信讀者會通過這些示意圖快速而深刻地理解其中的知識點(diǎn),使大家能夠真正從“零”開始,對神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)有基本的了解,并能動手實(shí)踐。
本書每一章都有思考題和練習(xí)題,可以幫助讀者深刻理解神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的基本理論,且培養(yǎng)讀者舉一反三、解決實(shí)際問題的能力。對初學(xué)者,可以使其具備自學(xué)更復(fù)雜模型和更高級內(nèi)容的能力;對已經(jīng)有一定基礎(chǔ)且酷愛深度學(xué)習(xí)的讀者,可以培養(yǎng)其研發(fā)新模型的能力。
“人工智能”在最近幾年成為了火熱的名詞,人工智能有很多研究和應(yīng)用的領(lǐng)域,學(xué)習(xí)人工智能,也有很多途徑。這本《智能之門》只是介紹其中一種方法,從某種意義上說,只是一個(gè)“小門”。希望讀者通過這個(gè)“小門”掌握一些基本而關(guān)鍵的知識和技能,一窺門徑,為將來的“登堂人室”做好準(zhǔn)備。本書的封面是由高霖設(shè)計(jì),他選擇了中國古建筑中經(jīng)典的斗拱作為設(shè)計(jì)的主題,斗拱巧妙而優(yōu)雅地在建筑中起到承上啟下的作用。這個(gè)設(shè)計(jì)也延續(xù)了《編程之美》《構(gòu)建之法》的風(fēng)格。
本書是一個(gè)團(tuán)隊(duì)合作的成果,由胡曉武、秦婷婷、李超、鄒欣共同編寫完成。
最后,要感謝浙江大學(xué)吳飛教授在審閱過程中給我們提出的詳細(xì)和高質(zhì)量的反饋。還要感謝微軟亞洲研究院對外合作部的馬歆、蔣運(yùn)韞對這個(gè)項(xiàng)目的長期支持,感謝研究院的領(lǐng)導(dǎo)周禮棟博士對這次跨界探索的鼓勵(lì),感謝研究員曹穎,工程師曹旭、宋馳,項(xiàng)目經(jīng)理鄭春蕾,實(shí)習(xí)生徐宇飛、張少鋒、毛清揚(yáng)給予的支持,感謝沈園、沈卓、武逸超、孫玥在業(yè)余時(shí)間錄制的知識點(diǎn)短視頻,感謝工程師范飛龍對本書提出的意見。更要感謝高等教育出版社編輯們的對本書的辛勤付出,感謝北京航空航天大學(xué)高小鵬教授的支持。當(dāng)然還要感謝編者的家人給予的照顧和鼓勵(lì)。本書不足之處在所難免,期待讀者們指正,一起為人工智能的教育和創(chuàng)新做出貢獻(xiàn)。
第一步 基本概念
第1章 概論
1.1 人工智能發(fā)展簡史
1.2 科學(xué)范式的演化
第2章 神經(jīng)網(wǎng)絡(luò)中的三個(gè)基本概念
2.1 通俗地理解三大概念
2.2 線性反向傳播
2.3 梯度下降
第3章 損失函數(shù)
3.1 損失函數(shù)概論
3.2 均方差函數(shù)
3.3 交叉熵?fù)p失函數(shù)
第二步 線性回歸
第4章 單入單出的單層神經(jīng)
網(wǎng)絡(luò)——單變量線性回歸
4.1 單變量線性回歸問題
4.2 最小二乘法
4.3 梯度下降法
4.4 神經(jīng)網(wǎng)絡(luò)法
4.5 梯度下降的三種形式
第5章 多入單出的單層神經(jīng)
網(wǎng)絡(luò)——多變量線性回歸
5.1 多變量線性回歸問題
5.2 正規(guī)方程解法
5.3 神經(jīng)網(wǎng)絡(luò)解法
5.4 樣本特征數(shù)據(jù)歸一化
5.5 正確的推理預(yù)測方法
第三步 線性分類
第6章 多入單出的單層神經(jīng)
網(wǎng)絡(luò)——線性二分類
6.1 線性二分類
6.2 二分類函數(shù)
6.3 用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)線性二分類
第7章 多入多出的單層神經(jīng)
網(wǎng)絡(luò)——線性多分類
7.1 線性多分類
7.2 多分類函數(shù)
7.3 用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)線性多分類
第四步 非線性回歸
第8章 激活函數(shù)
8.1 激活函數(shù)概論
8.2 擠壓型激活函數(shù)
8.3 半線性激活函數(shù)
第9章 單入單出的雙層神經(jīng)
網(wǎng)絡(luò)——非線性回歸
9.1 非線性回歸
9.2 用多項(xiàng)式回歸法擬合正弦曲線
9.3 用多項(xiàng)式回歸法擬合復(fù)合函數(shù)曲線
9.4 驗(yàn)證與測試
9.5 用雙層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)非線性回歸
9.6 曲線擬合
……
第五步 非線性分類
第六步 模型推理與應(yīng)用部署
第七步 深度神經(jīng)網(wǎng)絡(luò)
第八步 卷積神經(jīng)網(wǎng)絡(luò)
第九步 循環(huán)神經(jīng)網(wǎng)絡(luò)
結(jié)束語