电子工业出版社-网上书店

本书是面向大众的神经网络与深度学习科普读物，延续了 Josh Starmer 博士畅销书《StatQuest 图解机器学习》的可视化表达形式与幽默语言风格。书中并未简化核心概念，而是将复杂的 AI 技术拆解为一个个算法小片段，通过串联这些片段，清晰呈现神经网络的构成逻辑，以及 AI 技术的诞生原理，引导读者更深入、更透彻地理解神经网络与深度学习的本质。同时，本书注重理论与实践的结合，为每一个核心概念配套 PyTorch 实操教程，手把手教读者从零开始编写神经网络代码。全书兼顾扎实的基础理论与落地的实践操作，内容上从统计基础知识逐步延伸至神经网络核心原理，搭配完整的 PyTorch 代码，非常适合 AI 技术入门者系统学习。

第1章	 神经网络和人工智能的基本原理  /001
神经网络：主要思想1  /002
神经网络：主要思想2  /003
激活函数：主要思想  /007
神经网络的实际应用：详解  /008
Pytorch：基本神经网络  /018

第2章	 使用反向传播优化权重和偏置  /019
反向传播：主要思想  /020
优化单个权重：详细解  /024
优化单个权重：求导  /031
优化单个权重：梯度下降法  /35
Sgd和adam法：主要思想  /041
优化所有权重：主要思想  /044
优化所有参数：等式  /045
优化所有参数：求导  /048
优化所有参数：梯度下降法  /60
Pytorch：反向翻转  /068

第3章	多输入多输出的神经网络  /069
多输入多输出：主要思想  /070
多输入多输出的实际应用：详解  /071
Pytorch：多输入多输出的神经网络  /082

第4章	使用Argmax和Softmax简化输出  /083
Argmax和Softmax：主要思想  /084
Argmax：详解  /085
Softmax：详解  /088
Pytorch：Argmax函数和Softmax函数  /095

第5章	使用交叉熵提升训练效率  /096
交叉熵 主要思想  /097
交叉熵：详解  /098
交叉熵与反向传播  /102

第6章 卷积神经网络和图像分类  /118
卷积神经网络 主要思想  /119
卷积神经网络：详解  /121
Pytorch 卷积神经网络  /130

第7章 循环神经网络与股票预测  /131
循环神经网络 主要思想  /132
循环神经网络：详解  /133
循环神经网络：反向传播  /140
梯度消失/梯度爆炸问题  /146

第8章	 长短期记忆网络与更好的股票预测  /151
长短期记忆网络 主要思想  /152
长短期记忆网络：详解  /153
长短期记忆网络：实际应用  /161
术语解释：长短期记忆网络  /167
Pytorch：长短期记忆网络  /168

第9章	 词嵌入技术在单词数值化中的应用  /169
词嵌入:主要思想  /170
优化单个权重：详解  /171
Pytorch：词嵌入  /180

第10章	编码器-解码器架构与机器翻译  /181
编码器-解码器架构:主要思想  /182
编码器-解码器架构：详解  /183
Pytorch编码器-解码器模型  /196

第11章	注意力机制与更好的机器翻译  /197
注意力机制 主要思想  /198
优化单个权重：详解  /199
Pytorch：注意力机制  /209

第12章	Transformer架构与更强大的机器翻译  /201
Transformer:主要思想  /211
Transformer：编码器详解  /212
Transformer：解码器详解  /228
Transformer：层的归一化  /240
Transformer：相似度的度量  /241
Transformer：多头注意力  /242
Transformer：额外的全连接层  /244
Transformer：堆叠子单元  /245
Transformer：模型训练  /246
Pytorch：基于编码器-解码器Transformer模型的架构  /250
、
第13章	仅解码器Transformer架构与海量文本生成  /251
仅解码器Transformer 主要思想  /252
仅解码器Transformer：详解  /253
仅解码器Transformer：模型训练  /260
Pytorch：仅解码器Transformer  /261

第14章	仅编码器Transformer在分类与聚类中的应用  /262
仅编码器Transformer:主要思想 /263
仅编码器Transformer：详情  /264
仅编码器Transformer：实际应用  /267
仅编码器Transformer：模型训练  /269
仅编码器Transformer：通过预训练模型的代码实现  /270

致谢  /272

暂无

Josh Starmer（乔什·斯塔默），“StatQuest图解系列”畅销书作者，YouTube热门频道“StatQuest with Josh Starmer”的创作者。他以创新且独特的可视化风格，向全球好奇的人们清晰地解释了统计学、数据科学和机器学习的概念与算法。StatQuest在YouTube的订阅者超 155万人，视频总观看量突破8600万次（截至2026年1月统计的数据），StatQuest已帮助各行各业的人们通过数据科学相关考试、顺利毕业、获得工作机会或实现晋升，因此Josh被称为“硅谷的守护神”；Josh也被称为“统计学的比尔·奈”，因为他以趣味横生的方式使机器学习这一话题变得引人入胜；还有人称他为“数据的鲍勃·罗斯”，因为他能淡化炒作、用唱傻气歌曲的方式帮人们放松。<BR>钱辰江美国芝加哥大学统计学硕士，加州大学洛杉矶分校数学经济本科。目前供职于美国苹果总部，主要从事数据科学相关工作。曾任职于电商互联网公司Wish以及美国银行。具有扎实的统计学理论基础和丰富的实战经验。潘文皓美国佐治亚大学统计学博士，研究方向为象征性数据的聚类分析算法。目前任职于美国苹果公司总部，主要从事数据科学相关的模型开发与研究工作。曾任美国富国银行量化分析师，负责反欺诈模型的开发、检测与应用。

本书配套资源下载

对不起，暂无音视频资源！

StatQuest 图解神经网络与深度学习（全彩）