美亚上最受欢迎的10大神经网络书籍

最新推荐文章于 2024-08-15 15:56:13 发布
最新推荐文章于 2024-08-15 15:56:13 发布
阅读量9.4k 收藏 25
点赞数 2
分类专栏： 神经网络

 

文章发布于公号【数智物语】 （ID：decision_engine），关注公号不错过每一篇干货。

 

 

 

转自 | 程序员书库(ID:OpenSourceTop)

 

近年来，数据科学和数据挖掘越来越热门，许多人对神经网络和深度学习十分感兴趣，该主题下的书籍也呈现出爆炸式增长，判断一本书对你是否有用的方法就是看看其他人在看什么书。

 

本文我们罗列了截止2019年3月7日亚马逊神经网络类图书中最受欢迎的10本书，希望对大家的选择有所帮助。

 

01

《机器学习实战：基于Scikit-Learn和TensorFlow》

 

 

本书主要分为两个部分。第一部分为第1章到第8章，涵盖机器学习的基础理论知识和基本算法——从线性回归到随机森林等，帮助读者掌握 Scikit-Learn 的常用方法；第二部分为第9章到第16章，探讨深度学习和常用框架 TensorFlow，一步一个脚印地带领读者使用 TensorFlow 搭建和训练深度神经网络，以及卷积神经网络。

 

02

《Python深度学习》

 

 

本书由 Keras 之父、现任 Google 人工智能研究员的弗朗索瓦•肖莱(François Chollet)执笔，详尽介绍了用 Python 和 Keras 进行深度学习的探索实践，涉及计算机视觉、自然语言处理、生成式模型等应用。曾获得豆瓣满分10分的好评。

 

03

《The Book of Why》

 

 

这是一本非常好的计算机科普读物，由图灵奖获得者 Judea Pearl 执笔，展示了理解因果关系如何彻底改变科学并将革新人工智能。

 

04

《Python神经网络编程》

 

 

本书揭示神经网络背后的概念，并介绍如何通过 Python 实现神经网络。全书分为 3 章和两个附录。第 1 章介绍了神经网络中所用到的数学思想。第 2 章介绍使用 Python 实现神经网络，识别手写数字，并测试神经网络的性能。第 3 章带领读者进一步了解简单的神经网络，观察已受训练的神经网络内部，尝试进一步改善神经网络的性能，并加深对相关知识的理解。

 

05

《终极算法》

 

 

作者指出机器学习五大学派，每个学派都有自己的主算法，能帮助人们解决特定的问题。而如果整合所有这些算法的优点，就有可能找到一种“终极算法”，该算法可以获得过去、现在和未来的所有知识，这也必将创造新的人类文明。

 

06

《Python机器学习》

 

 

本书向读者介绍了机器学习和深度学习算法，并向你展示了如何将书中的实例方法运用于实际工作中，通过这本书你不仅可以了解了解数据科学，机器学习和深度学习中的关键框架，还能学会使用 TensorFlow 库掌握深度神经网络实现。

 

07

《Learning From Data》

 

 

这本书是为机器学习的短期课程而设计的。它可以帮助打下一个良好的数据科学基础，书中很好地平衡了理论和实践的占比。

 

08

《增强人类》

 

 

本书对人类的未来具有深刻的洞察力，鼓舞人心并且态度严谨，是你想象和创造新现实的指南。对于想要了解新方向和下一步未来的人来说，这是一本必读书籍。

 

09

《Machine Learning with Python 》

 

 

本书主要介绍如何使用 Python 和 Scikit-learn 库开发成功的机器学习应用程序，通过本书，你将学到机器学习相关的重要概念和实际应用，最流行的机器学习算法的优缺点等。

 

10

《MATLAB Deep Learning》

 

 

在这本书中，从机器学习基础开始，然后继续学习神经网络，深度学习，最后是卷积神经网络。全书使用 MATLAB 作为底层编程语言和工具，用于本书的示例和案例研究。

 

 

 

星标我，每天多一点智慧

 

数智物语
关注
专栏目录
美亚柏科,创新提升网络安全核心技术.pdf
09-20
美亚柏科,创新提升网络安全核心技术.pdf
神经网络入门自学教程电子书,神经网络快速入门
ynca67269的博客
08-26 442
神经网络的学习主要是指使用学习算法来调整神经元间的连接权，使得网路输出更加符合实际。学习算法分为监督学习（SupervisedLearning）与无监督学习（UnsupervisedLearning）两类：1、有监督学习算法将一组训练集（TrainingSet）送入网络，根据网络的实际输出与期望输出间的差别来调整连接权。有监督学习算法的主要步骤包括：a)从样本集合中取出一个样本（Ai，Bi）；b)计算网络的实际输出O；c)求D=Bi–O；d)根据D调整权矩阵W；...
学神经网络应该看看哪些书,神经网络相关书籍
m0_54846070的博客
08-15 1405
正在上传…重新上传取消。
机器学习-卷积神经网络（CNN）
最新发布
qq_42538588的博客
08-15 1598
交叉熵损失用于评估预测概率分布与实际标签分布之间的差异。对于一个多分类问题，交叉熵损失 ( L ) 的定义为：( C ) 是类别数。( y_i ) 是实际标签的指示函数。如果样本属于第 ( i ) 类，则 ( y_i = 1 )，否则为 ( 0 )。( \hat{y}_i ) 是模型对第 ( i ) 类的预测概率。均方误差 ( L ) 定义为：( N ) 是样本数量。( y_j ) 是真实值。( \hat{y}_j ) 是预测值。
神经网络入门经典书籍,人工神经网络书籍推荐
kfc67269的博客
08-31 2977
人工智能始于哲学思辨，中间经历了一个没有心理学（尤其是认知神经科学的）的帮助的阶段，仅通过牛人对人类思维的外在表现的归纳、内省，以及数学工具进行探索，其间最令人激动的是HerbertSimon（决策理论之父，诺奖，跨领域牛人）写的一个自动证明机，证明了罗素的数学原理中的二十几个定理，其中有一个定理比原书中的还要优雅，Simon的程序用的是启发式搜索，因为公理系统中的证明可以简化为从条件到结论的树状搜索（但由于组合爆炸，所以必须使用启发式剪枝）。整个过程中这个机器人只做非常粗糙的轨迹估算。...
神经网络入门经典书籍,神经网络基础书籍
神器榜
10-24 1973
类似1980年Kunihiko Fukushima发明的neocognitron和视觉标准结构（由David H. Hubel和Torsten Wiesel在初级视皮层中发现的那些简单而又复杂的细胞启发）那样有深度的、高度非线性的神经结构可以被多伦多大学杰弗里·辛顿实验室的非监督式学习方法所训练。他们的神经网络也是第一个在重要的基准测试中（例如IJCNN 2012交通标志识别和NYU的扬·勒丘恩（Yann LeCun）的MNIST手写数字问题）能达到或超过人类水平的人工模式识别器。
【grokking·Deep Learning】读书笔记一
qq_37197883的博客
03-14 699
本栏目的书籍地址： https://pan.baidu.com/s/1SjeTPu0H7sjRiI6zJIh_tg 提取码：virq 在本书的第一章，主要提出了三个问题。 为什么要学习深度学习？ 为什么要读这本书？ 如何入门？ 一、为什么要学习深度学习？ 这是用于智能增量自动化的强大工具。 从一开始，人类就在建立越来越多的工具来理解和控制我们周围的环境。深度学习是这个创新故事的今天。 也许使本章如此引人注目的是，该领域更多是一种精神创新而不是机械创新。...
美亚柏科 创新提升网络安全核心技术.pdf
09-06
网络强国的六大标志包括：先进的网络基础设施、清晰的网络空间战略、自主可控的关键技术、强大的网络安全保障、领先的网络应用水平以及在网络空间战略中的优势地位。美亚柏科以此为目标，不断强化自身的技术研发和...
2019美亚杯writeup
03-26
本资源摘要信息来自2019美亚杯writeup，内容涉及电子数据取证大赛的相关检材和试题等。电子数据取证大赛是一项测试电子数据取证和分析能力的比赛，参赛者需要对提供的镜像文件进行分析，回答相关问题。 本资源摘要...
基于改进的FA2BOUG法研究北极美亚海盆区域的布格重力异常特征-论文
07-08
为获得更为精确的北极美亚海盆区域的...结果显示，北极美亚海盆的布格重力异常介于150×10-5~400×10-5 m/s2之间，深海地区数值较大，且由深海地区逐渐向海岸带附近逐渐变小，而海岭地区主要在200×10-5 m/s2左右变化。
美亚杯全国2018第四届电子数据取证竞赛-个人赛
05-02
美亚杯全国2018第四届电子数据取证竞赛-个人赛 电子取证竞赛是测试电子取证专业人员的技能和技术的竞赛，本竞赛旨在提高电子取证技术的应用和普及。 本竞赛包括了多个题目，涵盖了电子取证的多个方面，包括MD5...
神经网络最经典书籍
05-24
很早之前的书籍，但是包含了卷积神经网络、网络剪枝等现在都很时髦的技术。非常惊艳，实在是神经网络必读书籍。
神经网络经典外文入门书籍
10-06
包含三本PDF书籍 Pattern classification using ensemble Methods.pdf Neural Networks Tricks of the Trade.pdf Neural Networks for Applied Sciences and Engineering.pdf
深度学习神经网络(英文版PDF教程）
04-14
书的目录 Contents Website viii Acknowledgments ix Notation xiii 1 Introduction 1 1.1 Who Should Read This Book? . . . . . . . . . . . . . . . . . . . . 8 1.2 Historical Trends in Deep Learning . . . . . . . . . . . . . . . . . 12 I Applied Math and Machine Learning Basics 27 2 Linear Algebra 29 2.1 Scalars, Vectors, Matrices and Tensors . . . . . . . . . . . . . . . 29 2.2 Multiplying Matrices and Vectors . . . . . . . . . . . . . . . . . . 32 2.3 Identity and Inverse Matrices . . . . . . . . . . . . . . . . . . . . 34 2.4 Linear Dependence and Span . . . . . . . . . . . . . . . . . . . . 35 2.5 Norms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.6 Special Kinds of Matrices and Vectors . . . . . . . . . . . . . . . 38 2.7 Eigendecomposition . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.8 Singular Value Decomposition . . . . . . . . . . . . . . . . . . . . 42 2.9 The Moore-Penrose Pseudoinverse . . . . . . . . . . . . . . . . . . 43 2.10 The Trace Operator . . . . . . . . . . . . . . . . . . . . . . . . . 44 2.11 The Determinant . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 2.12 Example: Principal Components Analysis . . . . . . . . . . . . . 45 3 Probability and Information Theory 51 3.1 Why Probability? . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 i CONTENTS 3.2 Random Variables . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.3 Probability Distributions . . . . . . . . . . . . . . . . . . . . . . . 54 3.4 Marginal Probability . . . . . . . . . . . . . . . . . . . . . . . . . 56 3.5 Conditional Probability . . . . . . . . . . . . . . . . . . . . . . . 57 3.6 The Chain Rule of Conditional Probabilities . . . . . . . . . . . . 57 3.7 Independence and Conditional Independence . . . . . . . . . . . . 58 3.8 Expectation, Variance and Covariance . . . . . . . . . . . . . . . 58 3.9 Common Probability Distributions . . . . . . . . . . . . . . . . . 60 3.10 Useful Properties of Common Functions . . . . . . . . . . . . . . 65 3.11 Bayes’ Rule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 3.12 Technical Details of Continuous Variables . . . . . . . . . . . . . 69 3.13 Information Theory . . . . . . . . . . . . . . . . . . . . . . . . . . 71 3.14 Structured Probabilistic Models . . . . . . . . . . . . . . . . . . . 73 4 Numerical Computation 78 4.1 Overflow and Underflow . . . . . . . . . . . . . . . . . . . . . . . 78 4.2 Poor Conditioning . . . . . . . . . . . . . . . . . . . . . . . . . . 80 4.3 Gradient-Based Optimization . . . . . . . . . . . . . . . . . . . . 80 4.4 Constrained Optimization . . . . . . . . . . . . . . . . . . . . . . 91 4.5 Example: Linear Least Squares . . . . . . . . . . . . . . . . . . . 94 5 Machine Learning Basics 96 5.1 Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 97 5.2 Capacity, Overfitting and Underfitting . . . . . . . . . . . . . . . 108 5.3 Hyperparameters and Validation Sets . . . . . . . . . . . . . . . . 118 5.4 Estimators, Bias and Variance . . . . . . . . . . . . . . . . . . . . 120 5.5 Maximum Likelihood Estimation . . . . . . . . . . . . . . . . . . 129 5.6 Bayesian Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . 133 5.7 Supervised Learning Algorithms . . . . . . . . . . . . . . . . . . . 137 5.8 Unsupervised Learning Algorithms . . . . . . . . . . . . . . . . . 142 5.9 Stochastic Gradient Descent . . . . . . . . . . . . . . . . . . . . . 149 5.10 Building a Machine Learning Algorithm . . . . . . . . . . . . . . 151 5.11 Challenges Motivating Deep Learning . . . . . . . . . . . . . . . . 152 II Deep Networks: Modern Practices 162 6 Deep Feedforward Networks 164 6.1 Example: Learning XOR . . . . . . . . . . . . . . . . . . . . . . . 167 6.2 Gradient-Based Learning . . . . . . . . . . . . . . . . . . . . . . . 172 ii CONTENTS 6.3 Hidden Units . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187 6.4 Architecture Design . . . . . . . . . . . . . . . . . . . . . . . . . . 193 6.5 Back-Propagation and Other Differentiation Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200 6.6 Historical Notes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220 7 Regularization for Deep Learning 224 7.1 Parameter Norm Penalties . . . . . . . . . . . . . . . . . . . . . . 226 7.2 Norm Penalties as Constrained Optimization . . . . . . . . . . . . 233 7.3 Regularization and Under-Constrained Problems . . . . . . . . . 235 7.4 Dataset Augmentation . . . . . . . . . . . . . . . . . . . . . . . . 236 7.5 Noise Robustness . . . . . . . . . . . . . . . . . . . . . . . . . . . 238 7.6 Semi-Supervised Learning . . . . . . . . . . . . . . . . . . . . . . 240 7.7 Multitask Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 241 7.8 Early Stopping . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241 7.9 Parameter Tying and Parameter Sharing . . . . . . . . . . . . . . 249 7.10 Sparse Representations . . . . . . . . . . . . . . . . . . . . . . . . 251 7.11 Bagging and Other Ensemble Methods . . . . . . . . . . . . . . . 253 7.12 Dropout . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255 7.13 Adversarial Training . . . . . . . . . . . . . . . . . . . . . . . . . 265 7.14 Tangent Distance, Tangent Prop and Manifold Tangent Classifier . . . . . . . . . . . . . . . . . . . . . . . . . . . 267 8 Optimization for Training Deep Models 271 8.1 How Learning Differs from Pure Optimization . . . . . . . . . . . 272 8.2 Challenges in Neural Network Optimization . . . . . . . . . . . . 279 8.3 Basic Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . 290 8.4 Parameter Initialization Strategies . . . . . . . . . . . . . . . . . 296 8.5 Algorithms with Adaptive Learning Rates . . . . . . . . . . . . . 302 8.6 Approximate Second-Order Methods . . . . . . . . . . . . . . . . 307 8.7 Optimization Strategies and Meta-Algorithms . . . . . . . . . . . 313 9 Convolutional Networks 326 9.1 The Convolution Operation . . . . . . . . . . . . . . . . . . . . . 327 9.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329 9.3 Pooling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335 9.4 Convolution and Pooling as an Infinitely Strong Prior . . . . . . . 339 9.5 Variants of the Basic Convolution Function . . . . . . . . . . . . 342 9.6 Structured Outputs . . . . . . . . . . . . . . . . . . . . . . . . . . 352 9.7 Data Types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354 iii CONTENTS 9.8 Efficient Convolution Algorithms . . . . . . . . . . . . . . . . . . 356 9.9 Random or Unsupervised Features . . . . . . . . . . . . . . . . . 356 9.10 The Neuroscientific Basis for Convolutional Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 358 9.11 Convolutional Networks and the History of Deep Learning . . . . 365 10 Sequence Modeling: Recurrent and Recursive Nets 367 10.1 Unfolding Computational Graphs . . . . . . . . . . . . . . . . . . 369 10.2 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . . . . 372 10.3 Bidirectional RNNs . . . . . . . . . . . . . . . . . . . . . . . . . . 388 10.4 Encoder-Decoder Sequence-to-Sequence Architectures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 390 10.5 Deep Recurrent Networks . . . . . . . . . . . . . . . . . . . . . . 392 10.6 Recursive Neural Networks . . . . . . . . . . . . . . . . . . . . . . 394 10.7 The Challenge of Long-Term Dependencies . . . . . . . . . . . . . 396 10.8 Echo State Networks . . . . . . . . . . . . . . . . . . . . . . . . . 399 10.9 Leaky Units and Other Strategies for Multiple Time Scales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 402 10.10 The Long Short-Term Memory and Other Gated RNNs . . . . . . 404 10.11 Optimization for Long-Term Dependencies . . . . . . . . . . . . . 408 10.12 Explicit Memory . . . . . . . . . . . . . . . . . . . . . . . . . . . 412 11 Practical Methodology 416 11.1 Performance Metrics . . . . . . . . . . . . . . . . . . . . . . . . . 417 11.2 Default Baseline Models . . . . . . . . . . . . . . . . . . . . . . . 420 11.3 Determining Whether to Gather More Data . . . . . . . . . . . . 421 11.4 Selecting Hyperparameters . . . . . . . . . . . . . . . . . . . . . . 422 11.5 Debugging Strategies . . . . . . . . . . . . . . . . . . . . . . . . . 431 11.6 Example: Multi-Digit Number Recognition . . . . . . . . . . . . . 435 12 Applications 438 12.1 Large-Scale Deep Learning . . . . . . . . . . . . . . . . . . . . . . 438 12.2 Computer Vision . . . . . . . . . . . . . . . . . . . . . . . . . . . 447 12.3 Speech Recognition . . . . . . . . . . . . . . . . . . . . . . . . . . 453 12.4 Natural Language Processing . . . . . . . . . . . . . . . . . . . . 456 12.5 Other Applications . . . . . . . . . . . . . . . . . . . . . . . . . . 473 iv CONTENTS III Deep Learning Research 482 13 Linear Factor Models 485 13.1 Probabilistic PCA and Factor Analysis . . . . . . . . . . . . . . . 486 13.2 Independent Component Analysis (ICA) . . . . . . . . . . . . . . 487 13.3 Slow Feature Analysis . . . . . . . . . . . . . . . . . . . . . . . . 489 13.4 Sparse Coding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 492 13.5 Manifold Interpretation of PCA . . . . . . . . . . . . . . . . . . . 496 14 Autoencoders 499 14.1 Undercomplete Autoencoders . . . . . . . . . . . . . . . . . . . . 500 14.2 Regularized Autoencoders . . . . . . . . . . . . . . . . . . . . . . 501 14.3 Representational Power, Layer Size and Depth . . . . . . . . . . . 505 14.4 Stochastic Encoders and Decoders . . . . . . . . . . . . . . . . . . 506 14.5 Denoising Autoencoders . . . . . . . . . . . . . . . . . . . . . . . 507 14.6 Learning Manifolds with Autoencoders . . . . . . . . . . . . . . . 513 14.7 Contractive Autoencoders . . . . . . . . . . . . . . . . . . . . . . 518 14.8 Predictive Sparse Decomposition . . . . . . . . . . . . . . . . . . 521 14.9 Applications of Autoencoders . . . . . . . . . . . . . . . . . . . . 522 15 Representation Learning 524 15.1 Greedy Layer-Wise Unsupervised Pretraining . . . . . . . . . . . 526 15.2 Transfer Learning and Domain Adaptation . . . . . . . . . . . . . 534 15.3 Semi-Supervised Disentangling of Causal Factors . . . . . . . . . 539 15.4 Distributed Representation . . . . . . . . . . . . . . . . . . . . . . 544 15.5 Exponential Gains from Depth . . . . . . . . . . . . . . . . . . . 550 15.6 Providing Clues to Discover Underlying Causes . . . . . . . . . . 552 16 Structured Probabilistic Models for Deep Learning 555 16.1 The Challenge of Unstructured Modeling . . . . . . . . . . . . . . 556 16.2 Using Graphs to Describe Model Structure . . . . . . . . . . . . . 560 16.3 Sampling from Graphical Models . . . . . . . . . . . . . . . . . . 577 16.4 Advantages of Structured Modeling . . . . . . . . . . . . . . . . . 579 16.5 Learning about Dependencies . . . . . . . . . . . . . . . . . . . . 579 16.6 Inference and Approximate Inference . . . . . . . . . . . . . . . . 580 16.7 The Deep Learning Approach to Structured Probabilistic Models . . . . . . . . . . . . . . . . . . . . . . . . . 581 17 Monte Carlo Methods 587 17.1 Sampling and Monte Carlo Methods . . . . . . . . . . . . . . . . 587 v CONTENTS 17.2 Importance Sampling . . . . . . . . . . . . . . . . . . . . . . . . . 589 17.3 Markov Chain Monte Carlo Methods . . . . . . . . . . . . . . . . 592 17.4 Gibbs Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 596 17.5 The Challenge of Mixing between Separated Modes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 597 18 Confronting the Partition Function 603 18.1 The Log-Likelihood Gradient . . . . . . . . . . . . . . . . . . . . 604 18.2 Stochastic Maximum Likelihood and Contrastive Divergence . . . 605 18.3 Pseudolikelihood . . . . . . . . . . . . . . . . . . . . . . . . . . . 613 18.4 Score Matching and Ratio Matching . . . . . . . . . . . . . . . . 615 18.5 Denoising Score Matching . . . . . . . . . . . . . . . . . . . . . . 617 18.6 Noise-Contrastive Estimation . . . . . . . . . . . . . . . . . . . . 618 18.7 Estimating the Partition Function . . . . . . . . . . . . . . . . . . 621 19 Approximate Inference 629 19.1 Inference as Optimization . . . . . . . . . . . . . . . . . . . . . . 631 19.2 Expectation Maximization . . . . . . . . . . . . . . . . . . . . . . 632 19.3 MAP Inference and Sparse Coding . . . . . . . . . . . . . . . . . 633 19.4 Variational Inference and Learning . . . . . . . . . . . . . . . . . 636 19.5 Learned Approximate Inference . . . . . . . . . . . . . . . . . . . 648 20 Deep Generative Models 651 20.1 Boltzmann Machines . . . . . . . . . . . . . . . . . . . . . . . . . 651 20.2 Restricted Boltzmann Machines . . . . . . . . . . . . . . . . . . . 653 20.3 Deep Belief Networks . . . . . . . . . . . . . . . . . . . . . . . . . 657 20.4 Deep Boltzmann Machines . . . . . . . . . . . . . . . . . . . . . . 660 20.5 Boltzmann Machines for Real-Valued Data . . . . . . . . . . . . . 673 20.6 Convolutional Boltzmann Machines . . . . . . . . . . . . . . . . . 679 20.7 Boltzmann Machines for Structured or Sequential Outputs . . . . 681 20.8 Other Boltzmann Machines . . . . . . . . . . . . . . . . . . . . . 683 20.9 Back-Propagation through Random Operations . . . . . . . . . . 684 20.10 Directed Generative Nets . . . . . . . . . . . . . . . . . . . . . . . 688 20.11 Drawing Samples from Autoencoders . . . . . . . . . . . . . . . . 707 20.12 Generative Stochastic Networks . . . . . . . . . . . . . . . . . . . 710 20.13 Other Generation Schemes . . . . . . . . . . . . . . . . . . . . . . 712 20.14 Evaluating Generative Models . . . . . . . . . . . . . . . . . . . . 713 20.15 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 716 Bibliography 717 vi CONTENTS Index 774
智能控制相关书籍的书，包含模糊算法+pid，神经网络pid
10-20
智能控制相关书籍的书，包含模糊算法+pid，神经网络pid等各种pid和控制理论系统
神经网络入门书籍推荐,神经网络的书籍推荐
神经网络爱好者
08-27 925
书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。1、机器学习精讲机器学习原理算法与应用教程，精简机器学习入门手册，美亚机器学习深度学习畅销书，全彩印刷，扫描书中二维码可阅读补充内容，人工智能和机器学习领域众多知名专家推荐。Goodfellow等人的《深度学习》完全是理论性的书籍，而且没有代码，是深度学习人员必看书籍。...
推荐 | 九本不容错过的深度学习和神经网络书籍
热门推荐
seahillpass的专栏
07-23 2万+
1. 搭建你自己的神经网络（Make Your Own Neural Network） 价格：45 美元 　　| 九本不容错过的深度学习和神经网络书籍" title="推荐 | 九本不容错过的深度学习和神经网络书籍" style="margin:0px; padding:0px; border:0px; list-style:none; font-size:0px; color:tra
神经网络入门书籍推荐,神经网络相关书籍
aifamao3的博客
08-10 1277
。理论方面用:王小平西安交大出版社(本人从十本相关书籍中选的一本)软件实现用:雷英杰西安电子科技大学出版社遗传算法是模仿DNA进化的过程,通过选择,交叉,变异的方法的搜索全局最优解的一种算法,根据你制定的适应度函数,搜索适应度高的基因组合,适应度高的基因组合在下一代所占的比列更高,而适应度低的组合被淘汰.通过一代一代的筛选繁衍,最终找到全局接近最优解.适用于数值优化，如多目标函数优化。以及组合优化，如NP问题－〉作业调度，旅行问题，背包问题。神经网络是遗传算法的进阶,进一步深入可以解决机器学习与人工智能和生
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值