本书根据深度学习技术发展速度快、理论性与实践性强、应用广泛等特点,结合教学、科研及应用需求,坚持“原理、技术、应用”三位一体原则,注重基础性、系统性、前沿性和实用性的统一,对深度学习的**方法与研究趋势进行全面深入的研究和探索。全书分成四部分:**部分是人工智能基础,**阐述人工智能的概念、发展历史和发展趋势等;第二部分是深度学习基础,包括机器学习基础理论、深度学习基础、深度学习网络的优化方法和技巧;第三部分是经典神经网络技术,包括卷积神经网络、循环神经网络、神经网络的区分性训练、序列到序列建模;第四部分是**深度学习技术,包括自编码器、迁移学习、生成对抗网络、终身学习、深度强化学习、元学习、自监督学习等。 本书在深入浅出的讲解中将**理论成果与实际问题解决过程相结合,培养学生的创新思维和解决复杂工程问题能力,适用于人工智能、网络**、通信工程、信息工程等专业高年级本科生、研究生教学,���作为人工智能相关领域的科研人员、工程师的重要参考书。

第1章人工智能技术概览 1.1人工智能的概念 1.1.1智能的基本概念 1.1.2人类智能的度量 1.1.3人工智能的概念 1.2人工智能的发展历程 1.2.1人工智能诞生前的50年 1.2.2人工智能发展的**阶段 1.2.3人工智能发展的第二阶段 1.2.4人工智能发展的第三阶段 1.3人工智能的学术流派 1.3.1戴维·阿兰格里尔的学术流派划分 1.3.2佩德罗·多明戈斯的学术流派划分 1.3.3人工智能学术流派的重新划分 1.4人工智能的未来发展 1.4.1无监督学习、元学习正在突破通用智能 1.4.2实时强化学习技术趋于成熟 1.4.3可解释性知识推理技术成为研究** 1.4.4开放式持续学习技术受到广泛关注 1.4.5不同流派人工智能技术融合认知开辟新的技术路径 1.4.6应用场景朝小数据量、恶劣环境、非完整数据方向发展 1.5本章小结 参考文献 第2章机器学习理论基础 2.1机器学习基本概念 2.1.1学习与机器学习 2.1.2机器学习的分类 2.1.3感知机及其学习算法 2.2可能近似正确学习理论 2.2.1机器学习的不可行性 2.2.2概率近似正确学习理论 2.3VC维理论 2.3.1假设的有效数量 2.3.2突破点 2.3.3上限函数 2.3.4VC维 2.4三个*基本机器学习模型 2.4.1线性分类 2.4.2线性回归 2.4.3逻辑回归 2.4.4三种基本机器学习算法对比分析 2.5本章小结 参考文献 第3章深度学习基础 3.1深度学习的基本定义和特点 3.1.1神经元与生物神经网络 3.1.2人工神经元及其分类能力 3.1.3单隐含层神经网络的能力 3.1.4深度学习 3.2深度学习网络设计的三个核心问题 3.2.1定义网络结构 3.2.2目标函数选择 3.2.3优化算法选择 3.3后向传播算法 3.3.1输出端的损失梯度 3.3.2隐含层的损失梯度 3.3.3神经网络参数的损失梯度 3.3.4算法整理流图 3.4本章小结 参考文献 第4章深度学习网络优化技巧 4.1深度学习网络优化学习 4.1.1定义网络结构 4.1.2目标函数选择 4.1.3优化算法选择 4.1.4深度学习算法检查 4.2新激活函数选择 4.2.1梯度消失问题 4.2.2ReLU函数 4.2.3ReLU函数的变形 4.2.4其他激活函数 4.3优化算法 4.3.1基本优化算法 4.3.2梯度方向调整优化算法 4.3.3自适应学习率 4.3.4步长和方向联合优化算法 4.4测试集性能优化技巧 4.4.1提前终止策略 4.4.2正则化 4.4.3丢弃法 4.5本章小结 参考文献 第5章卷积神经网络 5.1卷积神经网络概述 5.1.1卷积神经网络的历史 5.1.2卷积神经网络的结构 5.2卷积神经网络与全连接网络的关系 5.2.1连接稀疏性 5.2.2参数共享机制 5.3典型的卷积神经网络 5.3.1LeNet5网络 5.3.2AlexNet网络 5.3.3ZFNet网络 5.3.4VGGNet网络 5.3.5GoogLeNet网络 5.3.6残差网络 5.3.7挤压激励网络 5.3.8区域卷积神经网络及其拓展版本 5.4本章小结 参考文献 本章知识点补充 第6章循环神经网络 6.1循环神经网络的引入 6.2循环神经网络的结构 6.3循环神经网络的训练 6.3.1循环神经网络的前向传播 6.3.2循环神经网络的依时间反向传播 6.3.3循环神经网络的梯度消失与梯度爆炸问题 6.4长短时记忆单元与门循环单元 6.4.1长短时记忆单元 6.4.2门循环单元 6.5循环神经网络的扩展 6.5.1深层循环神经网络 6.5.2双向循环神经网络 6.6循环神经网络的应用 6.6.1多到一模式 6.6.2一到多模式 6.6.3同步多到多模式 6.6.4异步多到多模式 6.7本章小结 参考文献 第7章神经网络的区分性训练 7.1*小交叉熵与*大似然估计 7.2区分性训练准则 7.3序列模型的区分性训练 7.3.1*大互信息准则 7.3.2增强型MMI 7.3.3*小音素错误/状态级*小贝叶斯风险 7.3.4序列区分性训练准则的一般形式 7.4序列区分性训练准则应用实例 7.4.1基于词图的序列区分性训练 7.4.2词图无关的序列区分性训练 7.5本章小结 参考文献 第8章序列到序列模型 8.1序列到序列模型基本原理 8.1.1序列到序列模型的引入 8.1.2序列到序列模型构成 8.2连续时序分类准则 8.2.1连续时序分类准则定义 8.2.2连续时序分类准则的解码 8.3注意力模型 8.3.1注意力模型定义与原理 8.3.2自注意力机制 8.4Transformer模型 8.4.1Transformer模型组成 8.4.2Transformer模型的核心技术 8.5BERT模型与GPT模型 8.5.1BERT模型 8.5.2GPT模型 8.5.3与其他模型异同点分析 8.6后BERT模型时代的新模型算法 8.6.1XLNet模型及原理 8.6.2ERNIE模型及原理 8.6.3ALBERT模型及原理 8.7序列到序列模型的应用 8.8本章小结 参考文献 第9章自编码器 9.1自编码器的定义与基本原理 9.1.1自编码器的通用框架 9.1.2栈式自编码器 9.2正则自编码器 9.2.1稀疏自编码器 9.2.2降噪自编码器 9.2.3收缩自编码器 9.3变分自编码器 9.3.1目标函数 9.3.2优化过程 9.3.3条件变分自编码器 9.4VAE的改进算法 9.4.1betaVAE 9.4.2infoVAE 9.5对抗自编码器 9.5.1AAE与VAE 9.5.2introVAE 9.6本章小结 参考文献 第10章迁移学习 10.1迁移学习的基本原理 10.1.1迁移学习的定义 10.1.2迁移学习的分类 10.1.3迁移学习的意义 10.2基于特征的迁移学习 10.2.1分布差异矩阵 10.2.2特征增强 10.2.3特征映射 10.2.4特征选择 10.2.5特征对齐 10.2.6基于深度学习的特征迁移 10.3基于模型的迁移学习 10.3.1深度网络的可迁移性 10.3.2基于KL散度的迁移学习 10.3.3基于知识蒸馏的迁移学习 10.4基于样例的迁移学习 10.5迁移学习前沿 10.5.1混合智能迁移学习 10.5.2传递式迁移学习 10.5.3终身迁移学习 10.5.4对抗迁移学习 10.5.5迁移强化学习 10.5.6迁移学习的可解释性 10.6本章小结 参考文献 第11章终身学习 11.1终身学习原理 11.1.1终身学习的定义 11.1.2DARPA的L2M项目 11.1.3终身学习的关键问题 11.2深度学习与终身学习 11.2.1生物学依据 11.2.2现有方法的分类 11.3弹性权值巩固 11.3.1EWC中的贝叶斯理论 11.3.2EWC的目标函数 11.3.3参数重要性的估计 11.4自组织增量学习神经网络 11.4.1自组织映射 11.4.2自组织增量学习神经网络 11.4.3算法优、缺点 11.5梯度情景记忆 11.5.1知识的前向迁移与后向迁移 11.5.2情景记忆损失函数 11.5.3模型求解 11.6本章小结 参考文献 第12章生成对抗网络 12.1生成对抗网络引入 12.1.1无监督学习与生成模型 12.1.2生成对抗网络简介 12.2生成对抗网络的基本原理 12.3生成对抗网络训练过程的数学推导 12.3.1*大似然估计 12.3.2生成对抗网络的训练准则函数 12.3.3生成对抗网络的训练过程 12.4生成对抗网络的工程实现及主要问题 12.4.1生成对抗网络的工程实现 12.4.2生成对抗网络的工程实现中的问题 12.5GAN的变体 12.5.1WGAN 12.5.2条件GAN 12.5.3CycleGAN 12.5.4InfoGAN 12.5.5BiGAN 12.6本章小结 参考文献 第13章深度强化学习 13.1强化学习基本概念与原理 13.2强化学习的数学模型、求解框架及分类 13.2.1马尔可夫决策过程 13.2.2值函数与策略函数 13.2.3策略迭代与值迭代求解框架 13.2.4强化学习的分类 13.3基于值函数的深度强化学习 13.3.1深度Q网络算法 13.3.2DQN算法的变种 13.4基于策略函数的深度强化学习 13.5基于参与者评价者的深度强化学习 13.5.1A2C与A3C算法 13.5.2PPO算法 13.6本章小结 参考文献 第14章元学习 14.1元学习的定义及原理 14.1.1元学习的定义 14.1.2元学习系统的组成 14.1.3元学习的主要现状 14.2模型无关的元学习方法 14.2.1相关概念 14.2.2MAML算法原理 14.2.3MAML算法流程 14.2.4MAML算法具体实现 14.3一阶模型无关元学习方法Reptile 14.3.1Reptile算法的基本原理 14.3.2Reptile算法理论分析 14.4自适应梯度更新规则元学习方法 14.4.1简单LSTM方法 14.4.2复杂LSTM方法 14.5度量元学习方法 14.5.1匹配网络 14.5.2原型网络 14.5.3关系网络 14.6本章小结 参考文献 第15章自监督学习 15.1自监督学习的基本原理 15.1.1自监督学习的定义 15.1.2自监督学习的分类 15.2对比式自监督学习 15.2.1模型坍塌问题 15.2.2有负例的对比学习 15.2.3无负例的对比学习 15.3基于对比预测的自监督语音表示学习 15.3.1对比预测编码 15.3.2wav2vec系列 15.3.3HuBERT系列 15.4自监督学习中的关键科学问题 15.4.1任务相关表示学习 15.4.2模型轻量化 15.5本章小结 参考文献