作者:
[美] 伊恩·古德费洛
/
[加] 约书亚·本吉奥
/
[加] 亚伦·库维尔
译者: 赵申剑 / 黎彧君 / 符天凡 / 李凯
出版社: 人民邮电出版社
出品方: 异步图书
出版年: 2017-7-1
ISBN: 9787115461476
页数: 500
装帧: 平装
定价: 168
原作名: Deep Learning: Adaptive Computation and Machine Learning series
丛书: 异步图书深度学习系列
译者: 赵申剑 / 黎彧君 / 符天凡 / 李凯
出版社: 人民邮电出版社
出品方: 异步图书
出版年: 2017-7-1
ISBN: 9787115461476
页数: 500
装帧: 平装
定价: 168
原作名: Deep Learning: Adaptive Computation and Machine Learning series
丛书: 异步图书深度学习系列
内容简介 · · · · · ·
《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。
《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。
深度学习的创作者
· · · · · ·
-
约书亚·本吉奥 作者
作者简介 · · · · · ·
作者简介
Ian Goodfellow，谷歌公司(Google) 的研究科学家，2014 年蒙特利尔大学机器学习博士。他的研究兴趣涵盖大多数深度学习主题，特别是生成模型以及机器学习的安全和隐私。Ian Goodfellow 在研究对抗样本方面是一位有影响力的早期研究者，他发明了生成式对抗网络，在深度学习领域贡献卓越。
Yoshua Bengio，蒙特利尔大学计算机科学与运筹学系(DIRO) 的教授，蒙特利尔学习算法研究所(MILA) 的负责人，CIFAR 项目的共同负责人，加拿大统计学习算法研究主席。Yoshua Bengio 的主要研究目标是了解产生智力的学习原则。他还教授“机器学习”研究生课程(IFT6266)，并培养了一大批研究生和博士后。
Aaron Courville，蒙特利尔大学计算机科学与运筹学系的助理教授，也是LISA 实验室的成员。...
目录 · · · · · ·
"深度学习"试读 · · · · · ·
原文摘录 · · · · · · ( 全部 )
-
Noise injection also works when the noise is applied to the hidden units, which can be seen as doing dataset augmentation at multiple levels of abstraction. Poole et al. (2014) recently showed that this approach can be highly effective provided that the magnitude of the noise is carefully tuned. Dropout, a powerful regularization strategy that will be described in section 7.12, can be seen as a process of constructing new inputs by multiplying by noise. (查看原文) —— 引自第234页 -
层次：让计算机从经验中学习，并根据层次化的概念体系来理解世界，而每个概念则通过与某些相对简单的概念之间的关系来定义。 这些机器学习算法的性能在很大程度上依赖给定数据的表示。然而，对于许多人物来说，我们很难知道应该提取哪些特征。解决这个问题的途径之一是使用机器学习来发掘表示本身，二不仅仅把表示映射到输出。这种方法我们称之为表示学习。 深度学习通过其他较简单的表示来表达复杂表示，解决了表示学习中的核心问题。 就像计算机程序的长度不存在单一的正确值一样，架构的深度也不存在单一的正确值。 控制论Cybernetics，联结主义Connnectionism，深度学习Deep Learning。 先行模型无法学习异或XOR函数。这导致了神经网络热潮的第一次大衰退。 联结主义的中心思想史，当网络将大量简单的计算单元连接在一起时可以实现智能行为。 在那个时候，人们普遍认为深度网络是难以训练的。现在我们知道，20世纪80年代就存在的算法能工做得非常好，但是知道2006年前后都没有体现出来。这可能仅仅由于其计算代价太高，而以当时可用的硬件难以进行足够的试验。 最重要的进展是，现在我们有了这些算法得意成功训练所需的资源。 监督深度学习算法在每类给定约5000个标注样本情况下一般讲达到可以接受的性能，当至少有1000万个标注样本的数据集用于训练时，它将达到或超过人类表现。 几十年来，我们的机器学习模型中每个神经元的连接数量已经与哺乳动物的大脑在同一数量级上。 神经图灵机，能学习读取存储单元和向存储单元写入任意内容。这种自我变成技术正处于起步阶段，但原则上未来可以适用于几乎所有的任务。 在强化学习中，如DeepMind的AlphaGo，一个自主的智能体必须在没有人类操作者指导的情况下，通过试错来学习执行任务。 (查看原文) —— 引自第1页
> 全部原文摘录
丛书信息
· · · · · ·
异步图书深度学习系列(共44册)，
这套丛书还有
《深度学习与TensorFlow实战》《模式识别与机器学习》《动手学深度学习》《深度学习与飞桨PaddlePaddle Fluid实战》《动手学深度学习（PyTorch版）》
等
。
喜欢读"深度学习"的人也喜欢 · · · · · ·
-
- 动手学深度学习 9.3
-
- 机器学习 8.6
-
- 统计学习方法 9.0
-
- 神经网络与深度学习 9.4
-
- Python深度学习 9.4
-
- 强化学习（第2版） 8.4
-
- 算法导论（原书第3版） 9.3
-
- Machine Learning 9.1
深度学习的书评 · · · · · · ( 全部 44 条 )
木之下 しかわ
The MIT Press2016版
这本书不是教材，也不适合初学者（或者说，目标读者不明）
自己有统计和线性代数的基础，但完全没有机器学习的知识。买这本书完全是想作为机器学习的教材（因为很出名，引用率很高）。看到第六章发现还是一脸懵逼。 作为机器学习初学者，认为这本书不适合作为教材，而更像一部学术专著：有一些理论知识和实践经验的人来看或许会有收获；...
(展开)
非正常人类研究
《深度学习》，俗称"花书" 导读
这篇书评可能有关键情节透露
深度学习》，俗称"花书"一、本书概览与编写背景 《Deep Learning》（中文译名《深度学习》，俗称"花书"）是深度学习领域最具权威性的学术教材，由Ian Goodfellow（GAN发明者，时任Google Brain研究科学家）、Yoshua Bengio（蒙特利尔大学教授，2018年图灵奖得主）、与Aaron Cou... (展开)
> 更多书评 44篇
论坛 · · · · · ·
| 麻烦问下有没有和这本书对应的网课推荐啊 | 来自hi-h | 2020-12-25 21:44:01 | |
| 这本书是不是没讲微积分基础？ | 来自Igor | 1 回应 | 2019-06-30 18:57:40 |
| 看起来挺吃力的，有没有人一起讨论？ | 来自溪谷清风 | 5 回应 | 2019-02-06 10:48:09 |
| 青山遮不住，毕竟东流去 | 来自lisa | 2017-07-12 08:45:03 |
这本书的其他版本 · · · · · · ( 全部7 )
以下书单推荐 · · · · · · ( 全部 )
- 【书】所谓知识的另一种 (自娱者小五)
- 37°暖书单（二） (37°暖)
- 通识/通史：多学科的视野 (🦉的瓦涅密)
- dedede (导致模糊)
- kindle 2 (甜賽)
谁读这本书? · · · · · ·
二手市场
· · · · · ·
订阅关于深度学习的评论:
feed: rss 2.0
17 有用 二猫掌柜 2018-12-14 20:26:34
这书主要用来合影的
28 有用 chat_shi 2017-10-24 17:24:32
差评。这本书只有一个作用，就是给那些已经比较熟悉dl的人了解大领域。不适合初学者。反正你按照章节走肯定是非常费劲的。不推荐。
0 有用 火姬serafina 2020-08-04 04:00:26
😂😂😂其中一个作者可能我们会合作research 你說這是什麼感覺
15 有用 软绵绵的小熊猫 2017-10-10 07:25:00
非常看不惯讽刺翻译的，虽然只是在读研究生，但是翻译水平远超国内其他大部分书籍，这点要给赞的。前面几百页一大堆数学基础的普及实在是令人费解啊，毫无必要，实在不行推荐个其他书不就好了？
9 有用 阅微草堂 2017-09-07 03:26:54
与《数字逻辑》《控制论》关联：函数用不同的模块表示，每个模块都可以用状态方程描述，消除中间变量，得到整体输出输入关系―传递函数―脉冲输入的拉普拉斯变换。在勒贝格测度论基础上，证明统计力学基本定理时间平均等价于相平均，并通过任一时间序列估计系统参数。这就是滤波和预测的全部数学思想了