深度学习与神经网络

人工智能是研究理解和模拟人类智能、智能行为及其规律的一门科学。其主要任务是建立智能信息处理理论、认知理论、行为控制理论等，进而设计出可以模仿人类智能行为的计算系统。本书主要从人工智能的连接主义思想出发，探索人工神经网络与深度学习的理论方法和技术应用。重视知识间的逻辑关系与理论推演，在此基础上，力求通过Pytorch或Matlab实现理论方法的典型应用，使读者能够对该领域知识融会贯通、活学活用。在神经网络计算中，主要介绍了神经网络计算概念、人工神经元模型，神经网络结构、神经网络学习规则。主要讨论了几种常用的神经网络，感知器神经网络、自组织竞争神经网络、径向基函数神经网络、反馈神经网络。深度学习算法是神经网络算法研究中的一个新的分支，目的是建立、模拟人脑的学习原理建立起来的人工神经网络。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以现数据的分布式特征表示。深度学习算法主要介绍了受限玻尔兹曼机和深度置信网、堆栈式自动编码器、生成对抗网络、卷积神经网络、循环神经网络、深度强化学习以及深度学习的可解释性。随着深度学习应用的不断深入，更多的算法不断出现，在此理论基础上，可以演绎更深层次的学习算法。人工智能是综合性较高的交叉学科，本书从人工神经完了过智能科学范畴和应用领域，收集经典理论、方法和应用场景，试图在人工智能的多个应用领域能够揭示其基本原理、算法并具有实践指导意义。