機器學習與深度學習：通過C語言模擬 ( 簡體 字) |
| 作者：[日] 小高知宏 著 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 49357
詢問書籍請說出此書號！【缺書】
【不接受訂購】 |
| 出版日：6/1/2018 |
| 頁數：190 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
【不接受訂購】 |
| ISBN：9787111599944 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：當前，關于人工智能的研究非常引人矚目。作為其支柱之一的深度學習，是人工智能研究至今為止所積累的機器學習成果。特別是在語音識別、圖像識別、行為知識獲取等方面，深度學習取得了非常大的成功。
本書以非常容易理解的方式解說了人工智能研究中機器學習的各領域知識，以這些知識為前提，說明了深度學習是什么。本書不是單純地羅列概念，而是通過適當介紹具體處理流程和程序示例，來具體化地、通俗易懂地介紹這些技術到底是什么。
本書通過例題程序來具體說明機器學習和深度學習的相關技術。一般而言，運行深度學習程序的機器必須有強大的計算能力才行。但是，在本書的例題程序中，經過精心設計，將深度學習處理的核心骨架部分提取了出來，在普通的個人計算機上也能運行。假設運行環境為Windows，通過Visual Studio等開發工具來編譯程序，給定適當的數據，就能夠執行例題程序。通過嘗試執行程序，讀者能夠更具體、更深入地理解機器學習和深度學習相關的技術。
本書是Ohmsha先前出版的《?????機械學習》的姐妹篇。《?????機械學習》廣泛敘述了機器學習相關的話題。與此相對的是，本書以深度學習為主題，并對相關內容做了有針對性的處理。本書和上一本書有一些話題是重復的，但本書的說明方式和例題設計，是為了更好地理解深度學習而原創的。
能夠完成本書，離不開作者在福井大學從事教育研究活動所積累的經驗，感謝福井大學的教職員和學生。此外，感謝Ohmsha的同仁給予了出版本書的機會。最后，感謝支持我完成本書的家庭成員（洋子、研太郎、桃子、優）。
2016年4月 |
內容簡介：本書以深度學習為關鍵字講述機器學習與深度學習的相關知識，對基本理論的講述通俗易懂，不涉及復雜的數學理論，適用于對機器學習與深度學習感興趣的初學者。當前機器學習的書籍一般只講述理論，沒有具體的程序實例。有些以實例為主的機器學習書籍則依賴于一些函數庫或工具，無法理解其內部算法原理。本書沒有使用任何外部函數庫或工具，通過C語言程序來實現機器學習和深度學習算法，讀者不太理解相關理論時，可以通過C語言程序代碼來進行學習。
本書從強化學習、蟻群最優化方法、神經網絡、深度學習等出發，分階段介紹機器學習的各種算法，通過分析C語言程序代碼，實際執行C語言程序，使讀者能快速步入機器學習和深度學習殿堂。 |
目錄：前言
第1章 機器學習1
1.1 什么是機器學習1
1.1.1 深度學習的成果1
1.1.2 學習、機器學習和深度學習6
1.1.3 機器學習的分類9
1.1.4 直至深度學習的機器學習歷史15
1.2 關于本書例題程序的執行環境25
1.2.1 程序執行的流程25
1.2.2 程序執行的實際情況27
第2章 機器學習基礎31
2.1 歸納學習31
2.1.1 演繹學習和歸納學習31
2.1.2 歸納學習的例題—股票價格的預測32
2.1.3 基于歸納學習的股價預測程序37
2.2 強化學習46
2.2.1 什么是強化學習46
2.2.2 Q學習—強化學習的具體方法48
2.2.3 強化學習的例題—走迷宮知識的學習53
2.2.4 強化學習程序的實現56
第3章 群體智能與演化方法65
3.1 群體智能65
3.1.1 粒子群最優化方法65
3.1.2 蟻群最優化方法67
3.1.3 蟻群最優化方法的實現70
3.2 演化方法81
3.2.1 什么是演化方法81
3.2.2 基于遺傳算法的知識獲取84
第4章 神經網絡101
4.1 神經網絡基礎101
4.1.1 人工神經元模型101
4.1.2 神經網絡與學習105
4.1.3 神經網絡的種類107
4.1.4 人工神經元的計算方法108
4.1.5 神經網絡的計算方法115
4.2 基于反向傳播的神經網絡的學習121
4.2.1 感知機的學習過程121
4.2.2 反向傳播的處理過程123
4.2.3 反向傳播的實現125
第5章 深度學習139
5.1 什么是深度學習139
5.1.1 傳統神經網絡的局限和深度學習的思路139
5.1.2 卷積神經網絡142
5.1.3 自編碼器的學習方法145
5.2 深度學習的實現147
5.2.1 卷積運算的實現148
5.2.2 卷積神經網絡的實現156
5.2.3 自編碼器的實現170
附錄A 生成行李的重量和價值的程序183
附錄B 通過全搜索求解背包問題的程序185
參考文獻189 |
| 序： |
