[套装书]深度学习：基于案例理解深度神经网络+机器学习：贝叶斯和优化方法（英文版）（2册）

作者
[瑞士] 翁贝托·米凯卢奇（Umberto Michelucci）西格尔斯 西奥多里蒂斯
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9781910141153
简要
简介
内容简介书籍计算机书籍 ---------------------------深度学习：基于案例理解深度神经网络--------------------------- 本书探讨了深度学习中的高级主题，例如优化算法、超参数调整、Dropout和误差分析，以及解决在训练深度神经网络时遇到的典型问题的策略。你首先要研究激活函数，主要是单个神经元（relu、sigmoid和swish），了解如何使用TensorFlow进行线性和逻辑回归，并选择正确的代价函数。接着讨论了具有多个层和神经元的更复杂的神经网络结构，并探讨了权重的随机初始化问题。一整章致力于对神经网络误差分析的全面概述，给出了解决来自不同分布的方差、偏差、过度拟合和数据集问题的例子。 ---------------------------机器学习：贝叶斯和优化方法（英文版）--------------------------- 本书对所有主要的机器学习方法和新研究趋势进行了深入探索，涵盖概率和确定性方法以及贝叶斯推断方法。其中，经典方法包括平均/小二乘滤波、卡尔曼滤波、随机逼近和在线学习、贝叶斯分类、决策树、逻辑回归和提升方法等，新趋势包括稀疏、凸分析与优化、在线分布式算法、RKH空间学习、贝叶斯推断、图模型与隐马尔可夫模型、粒子滤波、深度学习、字典学习和潜变量建模等。全书构建了一套明晰的机器学习知识体系，各章内容相对独立，物理推理、数学建模和算法实现精准且细致，并辅以应用实例和习题。本书适合该领域的科研人员和工程师阅读，也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。
目录



---------------------------深度学习：基于案例理解深度神经网络---------------------------


译者序
前言
审校者简介
致谢
第1章　计算图和TensorFlow1
1.1　如何构建Python环境1
1.1.1　创建环境3
1.1.2　安装TensorFlow7
1.1.3　Jupyter记事本8
1.2　TensorFlow基本介绍10
1.2.1　计算图10
1.2.2　张量12
1.2.3　创建和运行计算图13
1.2.4　包含tf.constant的计算图13
1.2.5　包含tf.Variable的计算图14
1.2.6　包含tf. placeholder的计算图15
1.2.7　运行和计算的区别18
1.2.8　节点之间的依赖关系18
1.2.9　创建和关闭会话的技巧19
第2章　单一神经元21
2.1　神经元结构21
2.1.1　矩阵表示法23
2.1.2　Python实现技巧：循环和NumPy24
2.1.3　激活函数25
2.1.4　代价函数和梯度下降：学习率的特点32
2.1.5　学习率的应用示例34
2.1.6　TensorFlow中的线性回归示例38
2.2　逻辑回归示例47
2.2.1　代价函数47
2.2.2　激活函数48
2.2.3　数据集48
2.2.4　TensorFlow实现51
2.3　参考文献54
第3章　前馈神经网络56
3.1　网络架构57
3.1.1　神经元的输出59
3.1.2　矩阵维度小结59
3.1.3　示例：三层网络的方程59
3.1.4　全连接网络中的超参数60
3.2　用于多元分类的softmax函数60
3.3　过拟合简要介绍61
3.3.1　过拟合示例61
3.3.2　基本误差分析66
3.4　Zalando数据集68
3.5　使用TensorFlow构建模型71
3.5.1　网络架构71
3.5.2　softmax函数的标签转换：独热编码73
3.5.3　TensorFlow模型74
3.6　梯度下降变体77
3.6.1　批量梯度下降77
3.6.2　随机梯度下降78
3.6.3　小批量梯度下降79
3.6.4　各种变体比较80
3.7　错误预测示例84
3.8　权重初始化84
3.9　有效添加多个层87
3.10　增加隐藏层的优点89
3.11　比较不同网络89
3.12　选择正确网络的技巧92
第4章　训练神经网络93
4.1　动态学习率衰减93
4.1.1　迭代还是周期94
4.1.2　阶梯式衰减95
4.1.3　步长衰减96
4.1.4　逆时衰减98
4.1.5　指数衰减100
4.1.6　自然指数衰减101
4.1.7　TensorFlow实现105
4.1.8　将方法应用于Zalando数据集108
4.2　常用优化器109
4.2.1　指数加权平均109
4.2.2　Momentum112
4.2.3　RMSProp115
4.2.4　Adam117
4.2.5　应该使用哪种优化器117
4.3　自己开发的优化器示例118
第5章　正则化123
5.1　复杂网络和过拟合123
5.2　什么是正则化127
5.3　p范数128
5.4　2正则化128
5.4.1　2正则化原理128
5.4.2　TensorFlow实现129
5.5　1正则化136
5.5.1　1正则化原理与TensorFlow实现137
5.5.2　权重真的趋于零吗137
5.6　Dropout140
5.7　Early Stopping143
5.8　其他方法144
第6章　指标分析145
6.1　人工水平表现和贝叶斯误差146
6.2　关于人工水平表现的故事148
6.3　MNIST中的人工水平表现149
6.4　偏差150
6.5　指标分析图151
6.6　训练集过拟合151
6.7　测试集152
6.8　如何拆分数据集153
6.9　不平衡类分布：会发生什么157
6.10　精确率、召回率和F1指标161
6.11　不同分布的数据集164
6.12　k折交叉验证170
6.13　手动指标分析示例177
第7章　超参数调优183
7.1　黑盒优化183
7.2　黑盒函数注意事项184
7.3　超参数调优问题185
7.4　黑盒问题示例186
7.5　网格搜索186
7.6　随机搜索190
7.7　粗到细优化192
7.8　贝叶斯优化195
7.8.1　Nadaraya-Watson回归195
7.8.2　高斯过程195
7.8.3　平稳过程196
7.8.4　用高斯过程预测196
7.8.5　采集函数200
7.8.6　上置信界（UCB）201
7.8.7　示例201
7.9　对数尺度采样207
7.10　使用Zalando数据集的超参数调优208
7.11　径向基函数注意事项214
第8章　卷积神经网络和循环神经网络216
8.1　卷积核和过滤器216
8.2　卷积217
8.3　卷积运算示例223
8.4　池化227
8.5　构建CNN块230
8.5.1　卷积层230
8.5.2　池化层231
8.5.3　各层的叠加231
8.5.4　CNN示例232
8.6　RNN介绍237
8.6.1　符号237
8.6.2　RNN的基本原理238
8.6.3　循环神经网络名称的由来239
8.6.4　学会统计239
第9章　研究项目244
9.1　问题描述244
9.2　数学模型246
9.3　回归问题246
9.4　数据准备250
9.5　模型训练258
第10章　从零开始进行逻辑回归261
10.1　逻辑回归的数学背景262
10.2　Python实现264
10.3　模型测试266
10.3.1　数据集准备267
10.3.2　运行测试268
10.4　结论268


---------------------------机器学习：贝叶斯和优化方法（英文版）---------------------------


Contents
Preface.iv
Acknowledgments.vv
Notation.vfivi
CHAPTER 1 Introduction .1
1.1 What Machine Learning is About1
1.1.1 Classification.2
1.1.2 Regression3
1.2 Structure and a Road Map of the Book5
References8
CHAPTER 2 Probability and Stochastic Processes 9
2.1 Introduction.10
2.2 Probability and Random Variables.10
2.2.1Probability11
2.2.2Discrete Random Variables12
2.2.3Continuous Random Variables14
2.2.4Meanand Variance15
2.2.5Transformation of Random Variables.17
2.3 Examples of Distributions18
2.3.1Discrete Variables18
2.3.2Continuous Variables20
2.4 Stochastic Processes29
2.4.1First and Second Order Statistics.30
2.4.2Stationarity and Ergodicity30
2.4.3PowerSpectral Density33
2.4.4Autoregressive Models38
2.5 InformationTheory.41
2.5.1Discrete Random Variables42
2.5.2Continuous Random Variables45
2.6 Stochastic Convergence48
Problems49
References51
CHAPTER 3 Learning in Parametric Modeling: Basic Concepts and Directions 53
3.1 Introduction.53
3.2 Parameter Estimation: The Deterministic Point of View.54
3.3 Linear Regression.57
3.4 Classification60
3.5 Biased Versus Unbiased Estimation.64
3.5.1 Biased or Unbiased Estimation65
3.6 The Cramér-Rao Lower Bound67
3.7 Sufcient Statistic.70
3.8 Regularization.72
3.9 The Bias-Variance Dilemma.77
3.9.1 Mean-Square Error Estimation77
3.9.2 Bias-Variance Tradeoff78
3.10 MaximumLikelihoodMethod.82
3.10.1 Linear Regression: The Nonwhite Gaussian Noise Case84
3.11 Bayesian Inference84
3.11.1 The Maximum a Posteriori Probability Estimation Method.88
3.12 Curse of Dimensionality89
3.13 Validation.91
3.14 Expected and Empirical Loss Functions.93
3.15 Nonparametric Modeling and Estimation.95
Problems.97
References102
CHAPTER4 Mean-quare Error Linear Estimation105
4.1Introduction.105
4.2Mean-Square Error Linear Estimation: The Normal Equations106
4.2.1The Cost Function Surface107
4.3A Geometric Viewpoint: Orthogonality Condition109
4.4Extensionto Complex-Valued Variables111
4.4.1Widely Linear Complex-Valued Estimation113
4.4.2Optimizing with Respect to Complex-Valued Variables: Wirtinger Calculus116
4.5Linear Filtering.118
4.6MSE Linear Filtering: A Frequency Domain Point of View120
4.7Some Typical Applications.124
4.7.1Interference Cancellation124
4.7.2System Identification125
4.7.3Deconvolution: Channel Equalization126
4.8Algorithmic Aspects: The Levinson and the Lattice-Ladder Algorithms132
4.8.1The Lattice-Ladder Scheme.137
4.9Mean-Square Error Estimation of Linear Models.140
4.9.1The Gauss-Markov Theorem143
4.9.2Constrained Linear Estimation:The Beamforming Case145
4.10Time-Varying Statistics: Kalman Filtering148
Problems.154
References158
CHAPTER 5 Stochastic Gradient Descent: The LMS Algorithm and its Family .161
5.1 Introduction.162
5.2 The Steepest Descent Method163
5.3 Application to the Mean-Square Error Cost Function167
5.3.1 The Complex-Valued Case175
5.4 Stochastic Approximation177
5.5 The Least-Mean-Squares Adaptive Algorithm179
5.5.1 Convergence and Steady-State Performanceof the LMS in Stationary Environments.181
5.5.2 Cumulative Loss Bounds186
5.6 The Affine Projection Algorithm.188
5.6.1 The Normalized LMS.193
5.7 The Complex-Valued Case.194
5.8 Relatives of the LMS.196
5.9 Simulation Examples.199
5.10 Adaptive Decision Feedback Equalization202
5.11 The Linearly Constrained LMS204
5.12 Tracking Performance of the LMS in Nonstationary Environments.206
5.13 Distributed Learning:The Distributed LMS208
5.13.1Cooperation Strategies.209
5.13.2The Diffusion LMS211
5.13.3 Convergence and Steady-State Performance: Some Highlights218
5.13.4 Consensus-Based Distributed Schemes.220
5.14 A Case Study:Target Localization222
5.15 Some Concluding Remarks: Consensus Matrix.223
Problems.224
References227
CHAPTER 6 The Least-Squares Family 233
6.1 Introduction.234
6.2 Least-Squares Linear Regression: A Geometric Perspective.234
6.3 Statistical Properties of the LS Estimator236
6.4



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4