作者：[美] 西蒙·J.D. 普林斯（Simon J.D. Prince）著 张亚东 马壮 译
定价：188元
印次：1-1
ISBN：9787302693307
出版日期：2025.07.01
印刷日期：2025.07.15
图书责编：王军
图书分类：零售
电子书
在线购买
分享
"一部**、通俗、前沿的深度学习指南。 从机器学习基础知识到前沿模型，《理解深度学习》精选关键理论与尖端主题，以直观形式呈现高密度的核心知识。 ?涵盖热门主题：如Transformer模型与扩散模型(Diffusion Model)。 ?化繁为简：先以通俗语言阐释复杂概念，再辅以数学公式与视觉图解深入解析。 ?实践导向：引导读者动手实现模型的初级版本。 ?配套资源丰富：提供教师课件、习题及Python Notebook编程练习。 ?适用读者：适合已掌握应用数学基础知识的本科生、研究生及从业者。"
Simon J.D.Prince 现任英国巴斯大学计算机科学名誉教授，著有Computer Vision: Models, Learning, and Inference .他专注于人工智能与深度学习领域研究，曾在Anthropics Technologies Ltd、Borealis AI等机构领导学术界与工业界科研团队。
行业名家力荐 人工智能的发展浩荡前行，累计出现过三次大的浪潮。第一次浪潮的符号主义困于逻辑的桎梏，第二次浪潮的连接主义受限于数据的藩篱，而作为第三次浪潮的深度学习技术则散发出魅力，为学术和产业界追捧，并持续酝酿、发酵及推动更猛烈的智能革命，被人们誉为第四次浪潮的大语言模型也正是基于深度学习。 由Simon J. D. Prince所著并由张亚东、马壮翻译的《理解深度学习》一书，从基础概念到核心技术再到最新进展，以全局视角系统性地梳理了深度学习的技术及应用发展全景，同时匹配了代码资源，是学术界和工业界有志于从事深度学习技术研究的新人上手实践不可多得的案头读物。 全书围绕深度神经网络的设计与应用展开，开篇聚焦网络训练策略以及性能评估，以奠定相关基础；继而深入解析卷积神经网络、残差连接与Transformer等关键架构的创新原理及其在各类任务中的适用性；随后剖析生成式对抗网络、变分自编码器、标准化流与扩散模型等现代生成机制，并概述深度强化学习的核心思想；结尾则从理论层面探讨深度网络的可训练性、泛化能力与参数冗余等基础问题，并从伦理角度反思深度学习技术的社会影响，内容上兼具理论深度与实践广度。 Simon教授因其具有工业界和学术界的双重经历，或许更了解那些苦于既不掌握技术细节，又难以动手实践的读者的困扰，因此本书写作风格深入浅出，配有大量的图与表以清楚地解释原本晦涩的概念，偶尔出现的公式看似枯燥，实际是有高等数学和线性代数基础读者可以轻松掌握的，也绝对是理论的有力补充。 深度学习技术及其应用已深入我们的工作与生活，如果你希望能够在这样一个智能革命的时代做一个弄潮儿，从这本...
第1章 引言 1
1.1 监督学习 1
1.1.1 回归和分类问题 2
1.1.2 输入 3
1.1.3 机器学习模型 4
1.1.4 深度神经网络 5
1.1.5 结构化输出 5
1.2 无监督学习 7
1.2.1 生成模型 7
1.2.2 潜变量 9
1.2.3 联系监督学习和无监督学习 10
1.3 强化学习 11
1.4 伦理学 12
1.5 本书编排方式 13
1.6 其他书籍 14
1.7 如何阅读本书 15
第2章 监督学习 16
2.1 监督学习概述 16
2.2 线性回归示例 17
2.2.1 一维(1D)线性回归模型 17
2.2.2 损失 18
2.2.3 训练 20
2.2.4 测试 21
2.3 本章小结 21
2.4 注释 22
2.5 问题 22
第3章 浅层神经网络 24
3.1 神经网络示例 24
3.1.1 神经网络的直观理解 25
3.1.2 描绘神经网络 27
3.2 通用逼近定理 28
3.3 多变量输入和输出 29
3.3.1 可视化多变量输出 29
3.3.2 可视化多变量输入 30
3.4 浅层神经网络：一般情形 33
3.5 术语 33
3.6 本章小结 34
3.7 注释 34
3.8 问题 37
第4章 深度神经网络 40
4.1 组合神经网络 40
4.2 从组合网络到深度网络 43
4.3 深度神经网络 43
4.4 矩阵表示法 46
4.5 浅层与深度神经网络 48
4.5.1 逼近不同函数的能力 48
4.5.... 查看详情
"在当今这个信息爆炸的时代，获取学习资料的渠道并不匮乏，各类书籍和视频资源可谓琳琅满目。但我始终没有找到一本合适的“人工智能入门指南”。一部分书籍罗列了许多新颖的算法，但缺乏深入剖析，浮于表面；它们更适合作为科普读物，对于希望深入学习的读者来说，内容深度是远远不够的。一部分书籍从最基础的数学原理入手，详细列出相关公式，但学习门槛较高；而且即便完全掌握了这些原理，若想将算法落地，仍需要补充对应的编程技能。还有一部分书籍侧重实践应用，提供了大量示例代码和详细讲解，却容易让读者陷入“知其然”而“不知其所以然”的困境。
直到阅读了亚东老师推荐的Understanding Deep Learning后，我意识到终于找到理想的“指南书”了。本书从最基础的浅层神经网络入手，逐步深入，直至扩散模型，内容包罗万象。在基础模型章节中，Simon教授对每个问题的建模和公式推导都进行了细致入微的讲解；在高级模型章节中，阐述原理，还深入探讨模型的应用场景及前沿研究趋势。如果你潜心研读每一章节、每一个公式，会发现Simon教授倾注了大量心血，力求将复杂的概念以最清晰的方式呈现给读者。深度学习的难点之一在于如何理解高维空间中的问题，Simon教授通过降维和可视化手段，将梯度下降、迭代求解等抽象过程直观展现出来，极大地降低了理解门槛。本书讲解算法原理，还附有每个模型的Python Notebook源代码。无论你是具备一定数学基础的本科生，还是希望深入了解人工智能技术的软件工程师，本书都是你的上佳选择。"
