邱锡鹏版神经网络与深度学习电子书免费下载

本文档的主要内容详细介绍的是邱锡鹏版神经网络与深度学习电子书免费下载。

　　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。 2015年复旦大学计算机学院开设了《神经网络与深度学习》课程。讲好深度学习并不是一件容易的事，当时还没有关于深度学习的系统介绍，并且课程涉及知识点非常多并且比较杂乱，和实践结合也十分紧密。作为任课教师，我尝试梳理了深度学习的知识体系，并写了一本讲义放在网络上。虽然现在看起来当时对深度学习的理解仍然十分粗浅，且讲义存在很多错误，但依然受到了很多热心网友的反馈和鼓励。2016年初，华章公司的姚蕾编辑多次拜访并希望能将这个讲义整理成书。一方面被姚蕾编辑的诚意打动，另一方面也确实感到应该有一本面向在校学生和相关从业人员的关于深度学习的专门书籍，最终有了正式出版的意愿。但我依然低估了写书的难度，一方面是深度学习的发展十分迅速，而自己关于深度学习的认知也不断变化，导致已写好的内容经常需要修改，另一方面是平时的科研工作十分繁忙，很难抽出大段的时间来静心写作，因此断断续续的写作一直拖延至今。我自己理想中著书立说的境界是自己在某一个领域有自己的理论体系，将各式各样的方法都统一到自己的体系下，并可以容纳大多数技术，从新的角度来重新解释这些技术。本书显然还达不到这样的水平，但希望能结合自身的经验，对神经网络和深度学习的相关知识进行梳理、总结，通过写书这一途径，也使得自己更加能够深入理解深度学习这一领域，并提高自己的理论水平。本书能够完成，首先感谢我的导师吴立德教授，他对深度学习的独到见解和深入浅出的讲授，使得我对深度学习有了更深层次的认识，也感谢复旦大学计算机学院的黄萱菁教授和薛向阳教授的支持和帮助。本书在写作时将书稿放在网络上，也得到很多网友的帮助，特别感谢王利锋、林同茂、张钧瑞、李浩、胡可鑫、韦鹏辉、徐国海、侯宇蓬、任强、王少敬、肖耀等人指出了本书初稿的错误或提出了富有建设性的意见。此外，本书在写作过程中，参考了互联网上大量的优秀资料，如维基百科、知乎、Quora等网站等。另外也特别感谢我的家人。本书的写作占用了大量的业余时间，没有家人的理解和支持，这本书不可能完成。最后，个人能力有限，书中难免有不当和错误之处，还望读者海涵和指正，不胜感激。