

《 深度学习 、优化与识别》的特色
深度学习是 计算机 科学 与 人工智能 的重要组成部分。全书16章,分为理论与实践应用两部分,同时介绍5种深度学习主流平台的特性与应用,最后给出了深度学习的前沿进展介绍,另附带47种相关 网络 模型的实 现代 码。本书具有以下的特点:
一、内容系统全面
全书16章,覆盖了深度学习当前出现的诸多 经典 框架或模型,分为两个部分。第一部分系统地从 数据 、模型、优化目标函数和求解等四个方面论述了深度学习的理论及 算法 ,如卷积 神经网络 、深度生成模型等;第二部分基于5种主流的深度学习平台给出了深度网络在 自然 图像、卫星遥感 影像 等领域的应用,如分类、变化检测、目标检测与识别等任务。另外给出了深度学习发展的脉络图及最新 研究 进展,提供可基于5种平台实现的47中深度网络代码,以便有兴趣的读者进一步钻研探索。
二、叙述立场客观
作为深度学习的 入门 教材 ,尽可能不带 偏见 地对 材料 进行分析、加工以及客观介绍。本书理论部分均从模型产生的本源来介绍,并给出各个经典模型之间内在的相互联系。本书实践应用部分对相关任务做了详尽的分析,并给出深度学习应用实践的经验总结。
三、 设计 装帧精美
该书设计 人性 化, 文字 、公式、 数学 符号混排格式美观精致,特别是,全书采用全彩印制,软精装装帧。封面设计清新却不脱俗、 学术 化,足可以看出 出版 社和作者的用心。
内容简介
书籍
计算机书籍
深度神经网络是近年来受到广泛关注的研究方向,它已成为人工 智能 2.0的主要组成部分。本书系统地论述了深度神经网络基本理论、算法及应用。全书共16章,分为两个部分;第一部分(第1章~10章)系统论述了理论及算法,包括深度前馈神经网络、深度卷积神经网络、深度堆栈神经网络、深度递归神经网络、深度生成网络、深度融合网络等;第二部分(第11~15章)论述了常用的深度学习平台,以及在高光谱图像、自然图像、SAR与极化SAR影像等领域的应用;第16章为总结与展望,给出了深度学习发展的 历史 图、前沿方向及最新进展。每章都附有相关 阅读 材料及仿真代码,以便有兴趣的读者进一步钻研探索。
本书可为高等院校 计算机科学 、电子科学与 技术 、 信息科学 、 控制科学与工程 、人工智能等领域的研究人员提供参考,以及作为相关专业本科生及研究生教学参考书,同时可供深度学习及其应用感兴趣的研究人员和 工程 技术人员参考。
目录:

评论列表
发表评论