深度学习 - 第1页

《图说深度学习：用可视化方法理解复杂概念》由美国计算机图形学和深度学习研究专家安德鲁·格拉斯纳编著，中国青年出版社出版。本书面向希望理解人工智能和深度学习基本原理的读者，以通俗易懂的语言、大量全彩图示和现实世界案例解释复杂概念，降低传统深度学习学习过程中较高的数学和编程门槛。全书围绕深度学习和现代人工智能中的重要概念展开，从概率、机器学习基础逐步深入神经网络及深度学习系统，并结合文本生成、图像分类

《深度学习推荐系统 2.0》由王喆编著，是面向推荐系统算法实践的一本专业技术著作。本书在深度学习推荐系统知识体系的基础上，进一步结合推荐算法和人工智能技术的发展，系统讨论现代推荐系统的核心架构、算法模型和工程实践。全书关注如何利用机器学习与深度学习技术解决真实推荐场景中的用户兴趣建模和内容匹配问题。全书围绕推荐系统的核心流程展开，重点介绍召回、排序、特征工程、用户行为建模以及深度学习推荐模型等内容

本书是《神经网络与深度学习》的配套实践书，由复旦大学邱锡鹏教授和百度飞桨团队合作完成。 本书在章节设计上和《神经网络与深度学习》一一对应，并以模型解读 + 案例实践的形式进行介绍。模型解读主要聚焦如何从零开始一步步实现深度学习中的各种模型和算法，并结合简单的任务来加深读者对模型和算法的理解；案例实践主要强调如何使用飞桨预定义 API 来更好地完成实际任务，会涉及一些数据预处理问题。 建议读者将本书

《理解深度学习》是西蒙·J.D.·普林斯撰写的一本深度学习教材，旨在帮助读者从原理层面理解现代深度学习技术。全书以直观方式讲解神经网络的核心思想，并逐步深入到训练机制、优化算法与模型结构等关键内容。书中涵盖前馈神经网络、卷积神经网络（CNN）、循环神经网络（RNN）以及注意力机制等主流模型，同时结合概率论、线性代数与优化理论解释模型为何能够工作。作者特别强调数学直觉与可解释性，减少单纯“调包调用”

本书基于备受读者推崇的王树森“深度强化学习”系列公开视频课，专门解决“入门深度强化学习难”的问题。 本书的独特之处在于：第一，知识精简，剔除一切不必要的概念和公式，学起来轻松；第二，内容新颖，聚焦近 10 年深度强化学习领域的突破，让你一上手就紧跟最新技术。本书系统讲解深度强化学习的原理与实现，但不回避数学公式和各种模型，原创 100 多幅精美插图，并以全彩印刷展示。简洁清晰的语言 + 生动形象的

深度学习绝非不可窥探的黑箱！深入理解其模型和算法的实际运作机制，是驾驭并优化结果的关键。你无需成为数学专家或资深数据科学家，同样能够掌握深度学习系统内部的工作原理。本书旨在通过深入浅出的方式，为你揭示这些原理，让你在理解和解释自己的工作时更加自信与从容。本书通过平实的语言解析、详尽的代码注释，以及数十个基于 PyTorch 框架的实战示例，逐步引导你探索深度学习的核心概念与实用工具。本书避免了复杂

本书主要内容包括 PyTorch 中的计算图，用三阶多项式拟合函数，实现手写数字识别，神经网络基础，卷积神经网络，PyTorch 基础知识，transformer 架构，文本分类应用开发，聊天机器人应用开发，用 Wav2Vec2 进行语音识别，机器翻译应用开发，分布式 PyTorch 等。

《Deep Learning Crash Course》面向具有编程基础、但可能没有深度学习经验的读者。全书强调边做边学，使用 PyTorch 和真实数据集，从第一个神经网络开始逐步建立现代深度学习知识体系。图像部分进入卷积神经网络，序列和自然语言部分覆盖循环神经网络与 Transformer；生成式模型部分进一步讲解自动编码器、GAN 和扩散模型，使读者能够理解今天生成式 AI 背后的多条技术路

本书的内容设置由浅入深，从传统的推荐算法过渡到近年兴起的深度学习技术。不管是初学者，还是有一定经验的从业人员，相信都能从本书的不同章节中有所收获。区别于其他推荐算法书籍，本书引入了已被实践证明效果较好的深度学习推荐技术，包括 Word2Vec、Wide & Deep、DeepFM、GAN 等技术应用，并给出了相关的实践代码；除了在算法层面讲解推荐系统的实现，还从工程层面详细阐述推荐系统如何

《深入理解 AutoML 和 AutoDL：构建自动化机器学习与深度学习平台》围绕自动化机器学习（AutoML）与自动化深度学习（AutoDL）展开，系统介绍如何利用算法与工程化平台降低 AI 模型开发门槛。全书从机器学习流程自动化出发，讲解数据预处理、特征工程、模型选择、超参数优化以及神经网络结构搜索（NAS）等关键技术，并分析自动化训练与部署流程的实现方法。 作者是资深的人工智能专家，大型金融