麻省理工出版 | 2023年最新深度學(xué)習(xí)綜述手冊(cè)
UCL Simon Prince的新書：《Understanding Deep Learning》 ，在2023年2月6日由MIT Press出版。他之前寫過很受歡迎的《Computer Vision: Models, Learning, and Inference》。
關(guān)于這本最新的深度學(xué)習(xí)手冊(cè)，作者這樣介紹它：
正如書名所示，它不是最實(shí)用的書（沒有代碼），也不是最理論的書（沒有證明）。本書的目標(biāo)是讓讀者以最簡(jiǎn)單的方式理解支撐現(xiàn)代深度學(xué)習(xí)技術(shù)的核心思想。讀完本書后，讀者將能夠把深度學(xué)習(xí)應(yīng)用于沒有現(xiàn)成方法的新情況。
全書400多頁，共20章，目錄部分如下：
Chapter 1 - 導(dǎo)論 Introduction
Chapter 2 - 監(jiān)督學(xué)習(xí) Supervised learning
Chapter 3 - 淺層神經(jīng)網(wǎng)絡(luò) Shallow neural networks
Chapter 4 - 深度神經(jīng)網(wǎng)絡(luò) Deep neural networks
Chapter 5 - 損失函數(shù) Loss functions
Chapter 6 - 訓(xùn)練模型 Training models
Chapter 7 - 梯度與初始化 Gradients and initialization
Capter 8 - 衡量性能 Measuring performance
Chapter 9 - 正則化 Regularization
Chapter 10 - 卷積網(wǎng)絡(luò) Convolutional nets
Chapter 11 - 殘差網(wǎng)絡(luò) Residual networks and BatchNorm
Chapter 12 - Transformers
Chapter 13 - 圖神經(jīng)網(wǎng)絡(luò) Graph neural networks
Chapter 14 - 無監(jiān)督學(xué)習(xí)Unsupervised learning
Chapter 15 - 生成對(duì)抗網(wǎng)絡(luò) Generative adversarial networks
Chapter 16 - Normalizing flows
Chapter 17 - 變分自編碼器 Variational auto-encoders
Chapter 18 - 擴(kuò)散模型 Diffusion model
Chapter 19 - 深度強(qiáng)化學(xué)習(xí) Deep reinforcement learning
Chapter 20 - 為什么深度學(xué)習(xí)work？Why does deep learning work?
全書從機(jī)器學(xué)習(xí)基礎(chǔ)概念到深度學(xué)習(xí)各種模型，包括最新的Transformer和圖神經(jīng)網(wǎng)絡(luò)都有介紹，比較系統(tǒng)全面，非常值得深度學(xué)習(xí)入門者關(guān)注，也可以幫助大家更好地了解不同深度學(xué)習(xí)算法的最新研究情況，最后，如果這篇綜述最你有幫助或者你需要這個(gè)，我已經(jīng)將完整的近500頁P(yáng)DF和2到13章的全部PPT及圖表打包整理好。可在三連后評(píng)論區(qū)留言即可獲取，反正是薅羊毛，有何不可呢？
