当前位置：首页 > news >正文

【新书速递】人人可懂的深度学习

news 来源：原创 2024/5/2 9:51:38

如果要列出近十年对我们的生活产生了重大影响的技术，我相信深度学习一定会位列其中。近年来，从语音识别到机器翻译，从自然语言处理到自动驾驶，从图像分类到视觉计算，从二维图像处理到三维点云处理，几乎无不受益于深度学习技术。深度学习技术带来的性能的显著提升使这些研究得以走出实验室，走进实际应用。以人脸识别为例，“刷脸”在我国已经妇孺皆知，无论是线上或线下的购物付款，还是高铁站和机场的安检，现在都可以借助“刷脸”轻松便捷地完成。人脸识别应用之所以能在短短几年间遍地开花，正是因为有了真实业务场景下的人脸大数据以及能够充分挖掘和利用这些数据的深度学习技术。与所有其他技术一样，深度学习技术也具有两面性，它可能在我们毫不知情的情况下侵犯我们的隐私，还可能被用于伪造数据、制造假新闻或假证据。因而，无论是专业人士还是普通百姓，了解深度学习都是有益的。

John D. Kelleher教授的这本著作将深度学习技术的发展历史、现状和未来向读者娓娓道来，以深入浅出的方式介绍了深度学习的核心思想和关键技术，非常适合尚不具备专业背景的读者学习和了解什么是深度学习技术，如何进行深度学习，深度学习适合哪些任务，深度学习还有哪些不足。如果你是专业人士，这本书也不会让你失望，它对深度学习中的一些关键问题（如过拟合和梯度消失）、核心技术（如反向传播和梯度下降）、典型模型（如卷积神经网络和循环神经网络）的讲解简洁而不失深刻，对深度学习技术未来发展的讨论也很有启发性。

无论你是一位志在提升公司效率的商界精英，还是一位关心大数据时代的伦理与隐私的政策制定者，或者是一名研究复杂数据的科研人员，抑或是一个想更好地了解人工智能的潜力以及它将如何影响自己的生活的热心读者，都需要了解和认识深度学习，这非常重要。

本书的目的正是帮助普通读者了解深度学习是什么，它从何而来，它是如何发挥作用的，它能够帮助我们做什么（当然也包括它不能做什么），以及未来十年深度学习将会如何发展。简单而言，深度学习就是一组算法和模型，因此，为了了解深度学习，就必须了解这些算法和模型是如何处理数据的。基于这样的考虑，本书不只是单纯地描述和定义概念，还包括对算法的解释说明。本书努力以浅显易懂的方式为读者呈现技术内容。根据经验，介绍技术的最好方法是一步一步地解释技术涉及的基本概念。因此，本书尽可能减少纯数学内容，而只在必要的地方才以尽可能清楚和直接的方式介绍相关的数学公式。此外，本书将通过例子和图示来补充对这些数学公式的解释。

深度学习的真正奇妙之处不在于作为它的基础的复杂数学知识，而在于它通过简单的计算就能完成众多令人兴奋且印象深刻的任务。当面对深度学习时，就算发出“这些都是它完成的？”这样的惊叹，你也不用觉得奇怪。事实上，一个深度学习模型所做的就是很多（必须承认，是非常多）乘法与加法运算，以及夹杂在其中的一些非线性映射（书中会详细解释这些非线性映射）。尽管简单，但这样的模型能击败围棋世界冠军，能取得计算机视觉和机器翻译的顶尖效果，甚至能驾驶一辆汽车—它还有很多惊人的成就。虽然这只是一本关于深度学习的入门级书籍，但是希望本书关于深度学习的介绍具有足够的深度，随着你对深度学习越来越了解，在将来的某一天你还会重新打开这本书阅读。

编辑推荐

深度学习是一种人工智能技术，能够实现计算机视觉、手机语音识别、机器翻译、人工智能游戏、无人驾驶汽车等应用。当我们使用谷歌、微软、脸书、苹果或百度的消费产品时，会经常与一个深度学习系统交互。

深度学习通过从大型数据集中识别和提取模式，使得数据驱动的决策成为可能。本书解释了深度学习中的一些基本概念，介绍了该领域的发展历史，并讨论了当前的技术水平。本书还描述了重要的深度学习架构（包括自动编码器、循环神经网络和长短期网络）以及新的发展（如生成对抗网络和胶囊网络），并全面介绍了深度学习中的两种基本算法：梯度下降和反向传播。最后，本书讨论了深度学习的未来——发展趋势和重大挑战。

译者序

前言

致谢

第1章┆深度学习概述　/ 1

1.1　人工智能、机器学习和深度学习 / 4

1.2　什么是机器学习 / 10

1.3　机器学习为何如此困难 / 14

1.4　机器学习的关键要素 / 18

1.5　有监督学习、无监督学习和强化学习 / 21

1.6　深度学习为何如此成功 / 24

1.7　本章小结及本书内容安排 / 27

第2章┆预备知识　/ 31

2.1　什么是数学模型 / 32

2.2　含有多个输入的线性模型 / 35

2.3　线性模型的参数设置 / 37

2.4　从数据中学习模型参数 / 39

2.5　模型的组合 / 44

2.6　输入空间、权重空间和激活空间 / 46

2.7　本章小结 / 49

第3章┆神经网络：深度学习的基石　/ 51

3.1　人工神经网络 / 53

3.2　人工神经元是如何处理信息的 / 56

3.3　为什么需要激活函数 / 61

3.4　神经元参数的变化如何影响神经元的行为 / 65

3.5　使用GPU加速神经网络的训练 / 73

3.6　本章小结 / 77

第4章┆深度学习简史　/ 80

4.1　早期研究：阈值逻辑单元 / 83

4.2　连接主义：多层感知机 / 98

4.3　深度学习时代 / 114

4.4　本章小结 / 124

第5章┆卷积神经网络和循环神经网络　/ 126

5.1　卷积神经网络 / 127

5.2　循环神经网络 / 135

第6章┆神经网络的训练　/ 147

6.1　梯度下降 / 149

6.2　使用反向传播训练神经网络 / 165

第7章┆深度学习的未来　/ 181

7.1　推动算法革新的大数据 / 183

7.2　新模型的提出 / 187

7.3　新形式的硬件 / 189

7.4　可解释性问题 / 192

7.5　结语 / 196

术语表　/ 197

参考文献　/ 203

相关文章：