| 字段 | 字段内容 |
|---|---|
| 001 | 01h0161573 |
| 005 | 20201126091803.0 |
| 010 | $a: 978-7-111-64968-7$d: CNY149.00 |
| 100 | $a: 20200520d2020 em y0chiy50 ea |
| 101 | $a: chi |
| 102 | $a: CN$b: 110000 |
| 105 | $a: ak a 001yy |
| 106 | $a: r |
| 200 | $a: 神经网络与深度学习$A: shen jing wang luo yu shen du xue xi$d: = Neural networks and deep learning$f: 邱锡鹏著$z: eng |
| 210 | $a: 北京$c: 机械工业出版社$d: 2020 |
| 215 | $a: xvi, 448页$c: 彩图$d: 24cm |
| 225 | $a: 人工智能技术丛书$A: ren gong zhi neng ji shu cong shu |
| 314 | $a: 邱锡鹏, 复旦大学计算机科学技术学院教授、博士生导师, 于复旦大学获得理学学士和博士学位。 |
| 320 | $a: 有书目和索引 |
| 330 | $a: 全书共15章, 分为三个部分。第一部分为机器学习基础: 第1章是绪论, 介绍人工智能、机器学习、深度学习的概要, 使读者全面了解相关知识; 第2-3章介绍机器学习的基础知识。第二部分是基础模型: 第4-6章分别讲述三种主要的神经网络模型: 前馈神经网络、卷积神经网络和循环神经网络; 第7章介绍神经网络的优化与正则化方法; 第8章介绍神经网络中的注意力机制和外部记忆; 第9章简要介绍一些无监督学习方法; 第10章介绍一些模型独立的机器学习方法, 包括集成学习、自训练、协同训练、多任务学习、迁移学习、终身学习、元学习等。第三部分是进阶模型: 第11章介绍概率图模型的基本概念, 为后面的章节进行铺垫; 第12章介绍两种早期的深度学习模型: 玻尔兹曼机和深度信念网络; 第13章介绍深度生成模型, 包括变分自编码器和生成对抗网络; 第14章介绍深度强化学习; 第15章介绍应用十分广泛的序列生成模型。 |
| 410 | $1: 2001 $a: 人工智能技术丛书 |
| 510 | $a: Neural networks and deep learning$z: eng |
| 606 | $a: 机器学习$A: ji qi xue xi$x: 研究 |
| 690 | $a: TP181$v: 5 |
| 701 | $a: 邱锡鹏$A: qiu xi peng$4: 著 |
| 801 | $a: CN$b: LITL$c: 20201126 |
| 905 | $f: 1$a: LITL$b: 1182641$d: TP183$r: CNY149.00$e: Q744 |
北京创讯未来软件技术有限公司 版权所有 ALL RIGHTS RESERVED 京ICP备 09032139 www.beian.miit.gov.cn
欢迎第4296850位用户访问本系统