大数据丛书 人工智能中的深度结构学习
作者：（加） 尤舒亚·本吉奥（Yoshua Bengio） 著
出版时间：2017
内容简介
　　理论结果表明，为了学习用于表示高层次的抽象（例如视觉、语言以及其他AI级别的任务）的复杂函数，新太阳城需要深度结构。深度结构的组成包括了多层次的非线性操作，比如具有许多隐含层的神经网络，或者重用了许多子公式的复杂命题公式。搜索深度结构的参数空间是一件很困难的任务，但是近提出的诸如用于深度信念网络等的学习算法，对于探索这类问题取得了显著的成功，在某些领域达到了新的水平。本书讨论深度学习算法的方法和原理，尤其是那些被充分用作基石的单层模型的非监督学习算法例如受限玻尔兹曼机（RBM），它用于构建深度信念网络等深度模型。
目录
译者序
1　引言1
1.1　如何训练深度结构3
1.2　中间层表示：在不同的任务中共享特征和抽象4
1.3　学习人工智能的必经之路5
1.4　本书大纲6
2　深度结构的理论优势8
2.1　计算复杂性10
2.2　一些非正式的论证11
3　局部与非局部泛化性13
3.1　局部模板匹配的局限性13
3.2　学习分布式表示17
4　具有深度结构的神经网络19
4.1　多层神经网络19
4.2　训练深度神经网络的挑战20
4.3　深度结构的无监督学习25
4.4　深度生成结构26
4.5　卷积神经网络28
4.6　自动编码器29
5　能量模型和玻尔兹曼机31
5.1　能量模型和专家乘积系统31
5.2　玻尔兹曼机34
5.3　受限玻尔兹曼机36
5.4　对比散度39
目　　录Ⅴ
6　深层结构的逐层贪心训练46
6.1　深度置信网络的逐层训练46
6.2　堆叠自动编码器训练48
6.3　半监督与部分监督训练49
7　受限玻尔兹曼机和自动编码器的变体51
7.1　自动编码器和受限玻尔兹曼机的稀疏化表示51
7.2　降噪自动编码器55
7.3　层内连接56
7.4　条件ＲＢＭ和时序ＲＢＭ 57
7.5　分解式ＲＢＭ 59
7.6　受限玻尔兹曼机和对比散度的推广59
8　ＤＢＮ各层联合优化中的随机变分边界62
8.1　将ＲＢＭ展开为无限有向置信网络62
8.2　逐层贪心训练的变分证明64
8.3　所有层的联合无监督训练66
9　展望69
9.1　全局优化策略69
9.2　无监督学习的重要性72
9.3　开放的问题73
10　总结76
致谢78
参考文献79