链接：/s/1PimnaQreGtAEclYZPaC8Kw?pwd=wyp9 

【资料图】

提取码：wyp9

自早期以来，神经网络就一直是人工智能的支柱。现在，令人兴奋的新技术（例如深度学习和卷积）正在将神经网络带入一个全新的方向。在本书中，我们将演示各种现实世界任务中的神经网络，例如图像识别和数据科学。我们研究了当前的神经网络技术，包括ReLU 激活、随机梯度下降、交叉熵、正则化、Dropout 及可视化等。

《人工智能算法 卷3 深度学习和神经网络（全彩印刷）》

第 1 章　神经网络基础 1

　神经元和层　2

　神经元的类型　5

　激活函数　10

　修正线性单元（ReLU）13

　神经网络逻辑　19

　本章小结　22

第　2 章 自组织映射　23

　自组织映射　24

　本章小结　33

第　3 章 Hopfield 网络和玻尔兹曼机34

　Hopfield 神经网络　34

　Hopfield-Tank 网络　41

　玻尔兹曼机　42

　应用玻尔兹曼机　45

　本章小结　51

第　4 章 前馈神经网络　53

　前馈神经网络结构　54

　计算输出　56

　初始化权重　60

　径向基函数网络　63

　规范化数据　67

　本章小结　75

第　5 章 训练与评估　77

　评估分类　78

　评估回归　88

　模拟退火训练　89

　本章小结　92

第　6 章 反向传播训练　93

　理解梯度　93

　计算输出节点增量　98

　计算剩余节点增量　99

　激活函数的导数　100

　应用反向传播　103

　本章小结　108

第　7 章 其他传播训练　110

　弹性传播　110

　RPROP 参数　111

　数据结构　113

　理解 RPROP　114

　Levenberg-Marquardt 算法　116

　Hessian 矩阵的计算　119

　具有多个输出的 LMA　120

　LMA 过程概述　122

　本章小结　122

第　8 章 NEAT，CPPN 和 HyperNEAT　124

　NEAT 网络　125

　CPPN 网络　134

　HyperNEAT 网络　138

　本章小结　142

第　9 章 深度学习　143

　深度学习组件　143

　部分标记的数据　144

　修正线性单元　145

　卷积神经网络　145

　神经元 Dropout　146

　GPU 训练　147

　深度学习工具　149

　深度信念神经网络　152

　本章小结　164

第　10 章 卷积神经网络　165

　LeNET-5　166

　卷积层　168

　最大池层　170

　稠密层　172

　针对 MNIST 数据集的 ConvNets　172

　本章小结　174

第　11 章 剪枝和模型选择　175

　理解剪枝　176

　剪枝算法　177

　模型选择　179

　本章小结　185

第　12 章 Dropout 和正则化　186

　L1 和 L2 正则化　187

　Dropout 层　190

　使用 Dropout　194

　本章小结　195

第　13 章 时间序列和循环网络　197

　时间序列编码　198

　简单循环神经网络　204

　本章小结　213

第　14 章 架构神经网络　214

　评估神经网络　215

　训练参数　215

　常规超参数　220

　LeNet-5 超参数　223

　本章小结　224

第　15 章 可视化　226

　混淆矩阵　227

　t-SNE 降维　229

　本章小结　236

第　16 章 用神经网络建模　237

　挑战赛的经验　241

　挑战赛取胜的方法　242

　我们在挑战赛中的方法　244

　用深度学习建模　245

　本章小结　250

附录　A 示例代码使用说明　252

　系列图书简介　252

　保持更新　252

　获取示例代码　253

　下载压缩文件　253

　克隆 Git 仓库　254

　示例代码的内容　255

　如何为项目做贡献　257

参考资料　259