AI for Science 中的深度學習

吳誠堃

AI for Science 中的深度學習

商品描述

本書從理論基礎切入，層層遞進構建完整知識框架，是人工智能與深度學習領域科研人員、教師及相關專業學生的必備讀物。書中不僅指引讀者掌握科學問題的思考方法，還系統梳理了深度學習領域的發展歷程，及其與神經科學的核心關聯。 作者聚焦自然科學領域的諸多前沿難題，深入探討深度學習的應用場景，覆蓋物理、化學、生物醫藥三大領域，例如，實驗物理學中奇異粒子與暗物質的探尋、化學領域分子性質與反應結果的預測，以及生物醫藥領域蛋白質結構的預測與生物醫學影像的診斷分析。全書配備完整的習題集，涵蓋不同難度層級，並倡導突破常規的創新思維。

作者簡介

皮埃爾·巴爾迪（Pierre Baldi）加州大學歐文分校計算機科學系傑出教授，腦智能與機器智能領域 學者，深耕深度學習理論與自然科學應用研究四十餘年，做出了開創性的貢獻。除本書外，他還著有四部學術專著。

張一婁，國防科技大學計算機學院碩士研究生，長期從事高性能計算、大數據、生物信息、人工智能等方面研究

目錄大綱

譯者序
前言
致謝
第1章 引言
1.1 碳基計算和矽基計算
1.2 早期至20世紀40年代末
1.3 1950年至1980年
1.4 1980年至今
1.5 路線圖
1.6 練習
第2章 基本概念
2.1 突觸
2.2 單元或神經元
2.3 激活函數
2.4 傳遞函數
2.5 離散時間和連續時間
2.6 網絡和架構
2.7 架構的函數容量和基數容量
2.8 貝葉斯統計框架
2.9 信息論
2.10 數據和學習的多種場景
2.11 學習規則
2.12 計算覆雜性理論
2.13 練習
第3章 淺層網絡和淺層學習
3.1 監督式淺層網絡及其設計
3.2 淺層網絡的容量
3.3 淺層學習
3.4 淺層學習的擴展
3.5 練習
第4章 兩層網絡和普適逼近
4.1 函數容量
4.2 普適逼近性質
4.3 A(n,m,1)架構的容量
4.4 練習
第5章 自編碼器
5.1 通用的自編碼器框架
5.2 自編碼器的一般性質
5.3 線性自編碼器
5.4 非線性自編碼器
5.5 其他自編碼器和自編碼器性質
第6章 深度網絡和反向傳播
6.1 為什麼要使用深層架構
6.2 函數容量：深度線性的情況
6.3 函數容量：深度非受限布爾的情況
6.4 基數容量：深層前饋架構
6.5 容量的其他表示
6.6 通過反向傳播學習
6.7 反向傳播的最優性
6.8 架構設計
6.9 訓練中的實際問題
6.10 偏差-方差分解
6.11 丟棄
6.12 模型壓縮/蒸餾和暗知識
6.13 柔性交互：門控和註意力
6.14 無監督學習和生成模型
6.15 練習
第7章 局部學習原理
7.1 計算機中的虛擬化和學習
7.2 神經元視圖
7.3 突觸視圖：局部學習原理
7.4 學習規則的分層
7.5 深度局部學習及其根本局限性
7.6 局部深度學習：深度學習通道
7.7 局部深度學習和深度目標等價
7.8 練習
第8章 深度學習通道
8.1 隨機反向傳播及其變體
8.2 隨機反向傳播的仿真
8.3 理解隨機反向傳播
8.4 隨機反向傳播的數學分析
8.5 關於學習通道的進一步探討
8.6 循環自編碼器
8.7 再循環：時空的局部性
8.8 再循環的仿真實驗
8.9 再循環是一種隨機反向傳播
8.10 再循環的數學分析
8.11 練習
第9章 循環網絡
9.1 循環網絡簡介
9.2 循環網絡的基數容量
9.3 對稱連接：霍普菲爾德模型
9.4 對稱連接：玻爾茲曼機
9.5 練習
第10章 遞歸網絡
10.1 可變大小的結構化數據
10.2 遞歸網絡及其設計
10.3 內入方法和外出方法的關系
10.4 練習
第11章 物理學中的應用
11.1 物理科學中的深度學習
11.2 反物質物理學
11.3 高能對撞機物理學
11.4 中微子物理學
11.5 暗物質物理學
11.6 宇宙學與天體物理學
11.7 氣候物理學
11.8 引入物理知識和約束
11.9 結論：理論物理學
第12章 化學中的應用
12.1 化學數據和化學空間
12.2 小分子性質預測
12.3 化學反應預測
第13章 生物學和醫學中的應用
13.1 生物醫學數據
13.2 生命概述
13.3 深度學習在蛋白質組學中的應用
13.4 基因組學和轉錄組學中的深度學習
13.5 生物醫學影像中的深度學習
13.6 醫療保健中的深度學習
第14章 結語
14.1 可解釋性及黑盒問題
14.2 人工神經網絡和生物神經網絡
附錄
附錄A 強化學習和深度學習強化學習
A.1 歷史與背景概述
A.2 主要算法
A.3 挑戰與待解決的問題
A.4 其他研究方向
A.5 深度強化學習
A.6 練習
附錄B 部分練習的提示和註釋
參考文獻

類似商品