本文檔的主要內容詳細介紹的是邱錫鵬版神經網絡與深度學習電子書免費下載。

　　近年來，以機器學習、知識圖譜為代表的人工智能技術逐漸變得普及。從車牌識別、人臉識別、語音識別、智能問答、推薦系統到自動駕駛，人們在日常生活中都可能有意無意地使用到了人工智能技術。這些技術的背后都離不開人工智能領域研究者們的長期努力。特別是最近這幾年，得益于數據的增多、計算能力的增強、學習算法的成熟以及應用場景的豐富，越來越多的人開始關注這一個 “嶄新”的研究領域：深度學習。深度學習以神經網絡為主要模型，一開始用來解決機器學習中的表示學習問題。但是由于其強大的能力，深度學習越來越多地用來解決一些通用人工智能問題，比如推理、決策等。目前，深度學習技術在學術界和工業界取得了廣泛的成功，受到高度重視，并掀起新一輪的人工智能熱潮。然而，我們也應充分意識到目前的以深度學習為核心的各種人工智能技術和“人類智能”還不能相提并論。深度學習需要大量的標注數據，和人類的學習方式差異性很大。雖然深度學習取得了很大的成功，但是深度學習還不是一種可以解決一系列復雜問題的通用智能技術，而是解決單個問題的一系列技術。比如可以打敗人類的AlphaGo只能下圍棋，而不會一個簡單的算術運算。想要達到通用人工智能依然困難重重。本書的寫作目的是使得讀者能夠掌握神經網絡與深度學習技術的基本原理，知其然還要知其所以然。全書共 15 章。第 1 章是緒論，介紹人工智能、機器學習、深度學習的概要，使讀者對相關知識進行全面的了解。第2、3章介紹了機器學習的基礎知識。第4、5、6章分別講述三種主要的神經網絡模型：前饋神經網絡、卷積神經網絡和循環神經網絡。第7章介紹神經網絡的優化與正則化方法。第8章介紹神經網絡中的注意力機制和外部記憶。第9章簡要介紹了一些無監督學習方法。第10章中介紹一些和模型獨立的機器學習方法：集成學習、協同學習、自學習、多任務學習、遷移學習、終身學習、小樣本學習、元學習等。這些都是目前深度學習的難點和熱點問題。第11章介紹了概率圖模型的基本概念，為后面的章節進行鋪墊。第12章介紹兩種早期的深度學習模型：玻爾茲曼機和深度信念網絡。第13章介紹最近兩年發展十分迅速的深度生成模型：變分自編碼器和對抗生成網絡。第14章介紹了深度強化學習的知識。第15章介紹了應用十分廣泛的序列生成模型。 2015年復旦大學計算機學院開設了《神經網絡與深度學習》課程。講好深度學習并不是一件容易的事，當時還沒有關于深度學習的系統介紹，并且課程涉及知識點非常多并且比較雜亂，和實踐結合也十分緊密。作為任課教師，我嘗試梳理了深度學習的知識體系，并寫了一本講義放在網絡上。雖然現在看起來當時對深度學習的理解仍然十分粗淺，且講義存在很多錯誤，但依然受到了很多熱心網友的反饋和鼓勵。2016年初，華章公司的姚蕾編輯多次拜訪并希望能將這個講義整理成書。一方面被姚蕾編輯的誠意打動，另一方面也確實感到應該有一本面向在校學生和相關從業人員的關于深度學習的專門書籍，最終有了正式出版的意愿。但我依然低估了寫書的難度，一方面是深度學習的發展十分迅速，而自己關于深度學習的認知也不斷變化，導致已寫好的內容經常需要修改，另一方面是平時的科研工作十分繁忙，很難抽出大段的時間來靜心寫作，因此斷斷續續的寫作一直拖延至今。我自己理想中著書立說的境界是自己在某一個領域有自己的理論體系，將各式各樣的方法都統一到自己的體系下，并可以容納大多數技術，從新的角度來重新解釋這些技術。本書顯然還達不到這樣的水平，但希望能結合自身的經驗，對神經網絡和深度學習的相關知識進行梳理、總結，通過寫書這一途徑，也使得自己更加能夠深入理解深度學習這一領域，并提高自己的理論水平。本書能夠完成，首先感謝我的導師吳立德教授，他對深度學習的獨到見解和深入淺出的講授，使得我對深度學習有了更深層次的認識，也感謝復旦大學計算機學院的黃萱菁教授和薛向陽教授的支持和幫助。本書在寫作時將書稿放在網絡上，也得到很多網友的幫助，特別感謝王利鋒、林同茂、張鈞瑞、李浩、胡可鑫、韋鵬輝、徐國海、侯宇蓬、任強、王少敬、肖耀等人指出了本書初稿的錯誤或提出了富有建設性的意見。此外，本書在寫作過程中，參考了互聯網上大量的優秀資料，如維基百科、知乎、Quora等網站等。另外也特別感謝我的家人。本書的寫作占用了大量的業余時間，沒有家人的理解和支持，這本書不可能完成。最后，個人能力有限，書中難免有不當和錯誤之處，還望讀者海涵和指正，不勝感激。