神经网络与深度学习的PDF电子书免费下载

　　近年来，以机器学习、知识图谱为代表的人工智能技术逐渐变得普及。从车牌识别、人脸识别、语音识别、智能问答、推荐系统到自动驾驶，人们在日常生活中都可能有意无意地使用到了人工智能技术。这些技术的背后都离不开人工智能领域研究者们的长期努力。特别是最近这几年，得益于数据的增多、计算能力的增强、学习算法的成熟以及应用场景的丰富，越来越多的人开始关注这一个“崭新”的研究领域：深度学习。深度学习以神经网络为主要模型，一开始用来解决机器学习中的表示学习问题。但是由于其强大的能力，深度学习越来越多地用来解决一些通用人工智能问题，比如推理、决策等。目前，深度学习技术在学术界和工业界取得了广泛的成功，受到高度重视，并掀起新一轮的人工智能热潮。然而，我们也应充分意识到目前的以深度学习为核心的各种人工智能技术和“人类智能”还不能相提并论。深度学习需要大量的标注数据，和人类的学习方式差异性很大。虽然深度学习取得了很大的成功，但是深度学习还不是一种可以解决一系列复杂问题的通用智能技术，而是解决单个问题的一系列技术。比如可以打败人类的AlphaGo只能下围棋，而不会一个简单的算术运算。想要达到通用人工智能依然困难重重。本书的写作目的是使得读者能够掌握神经网络与深度学习技术的基本原理，知其然还要知其所以然。全书共15章。第1章是绪论，介绍人工智能、机器学习、深度学习的概要，使读者对相关知识进行全面的了解。第2、3章介绍了机器学习的基础知识。第4、5、6章分别讲述三种主要的神经网络模型：前馈神经网络、卷积神经网络和循环神经网络。第7章介绍神经网络的优化与正则化方法。第8章介绍神经网络中的注意力机制和外部记忆。第9章简要介绍了一些无监督学习方法。第10章中介绍一些和模型独立的机器学习方法：集成学习、协同学习、自学习、多任务学习、迁移学习、终身学习、小样本学习、元学习等。这些都是目前深度学习的难点和热点问题。第11章介绍了概率图模型的基本概念，为后面的章节进行铺垫。第12章介绍两种早期的深度学习模型：玻尔兹曼机和深度信念网络。第13章介绍最近两年发展十分迅速的深度生成模型：变分自编码器和对抗生成网络。第14章介绍了深度强化学习的知识。第15章介绍了应用十分广泛的序列生成模型。