全书分为三个部分： 1. 第一部分感性介绍神经网络的基础知识，并给出一个利用PyTorch搭建神经网络解决实际问题的例子，使读者对神经网络和PyTorch有初步的了解； 2. 第二部分介绍基于Python和PyTorch的科学计算和神经网络搭建，涵盖了几乎所有Python基础知识和PyTorch基础功能，并通过例子使读者完全掌握相关技术； 3. 第三部分介绍生成对抗网络和递归神经网络，使读者了解更多神经网络的常用用法。

本书主要讲述了神经网络的重要概念和技术，并展示了如何使用Python来解决日常生活中常见的神经网络问题。本书包含了6个神经网络相关的项目，分别是糖尿病预测、出租车费用预测、图像分类、图像降噪、情感分析和人脸识别，这6个项目均是从头开始实现，且使用了不同的神经网络。在每个项目中，本书首先会提出问题，然后介绍解决该问题需要用到的神经网络架构，并给出选择该神经网络模型的原因，最后会使用Python语言从头实现该模型。此外，本书还介绍了机器学习和神经网络的基础知识，以及人工智能未来的发展。

本书主要介绍神经网络与深度学习中的基础知识、主要模型（卷积神经网络、递归神经网络等）以及在计算机视觉、自然语言处理等领域的应用。

Matlab语言是Mathworks公司推出的一套高性能计算机编程语言，集数学计算、图形显示、语言设计于一体，其强大的扩展功能为用户提供了广阔的应用空间。它附带有30多个工具箱，神经网络工具箱就是其中之一。 本书是在Matlab 6.5的神经网络工具箱v4.0.2基础上编写的，在M-book数据图形文字环境下以图文并茂的形式循序渐进的介绍了Matlab神经网络工具箱的原理和应用。全书共分11章，首先就各类型神经网络的结构模型、设计、训练等加以描述，并辅以大量的应用实例演示，然后介绍了神经网络图形用户界面，以及如何在Simulink环境下景象网络设计，最后提供了自定义神经网络的方法。 本书内容广泛，实例丰富，可作为高等学校计算机、电子工程、控制工程、应用力学、信息科学、数学、机械工程等专业师生的参考资料，也可作为从事这些领域工作的广大科技人员的...(展开全部)

本书结合日常生活中的寻常小事，生动形象地阐述了神经网络与深度学习的基本概念、原理和实践，案例丰富，深入浅出。对于正在进入人工智能时代的我们，这些内容无疑可以帮助我们更好地理解人工智能的原理，丰富我们对人类自身的认识，并启发我们对人机智能之争更深一层的思考与探索。

神经网络与深度学习是人工智能研究的重要领域，是机器学习的重要组成部分。人工智能是研究理解和模拟人类智能、智能行为及其规律的科学。本书紧紧围绕神经网络和深度学习的基础知识体系进行系统的梳理，力求从基础理论、经典模型和前沿应用展开论述，便于读者能够较为全面地掌握深度学习的相关知识。全书共 16 章。第 1 章是绪论，简要介绍人工智能、机器学习、神经网络与深度学习的基本概念及相互关系，并对神经网络的发展历程和产生机理进行阐述；第2章介绍神经网络的基本神经元模型、网络结构、学习方法、学习规则、正则化方法、模型评估方法等基础知识；第3～8章介绍多层感知器神经网络、自组织竞争神经网络、径向基函数神经网络、卷积神经网络、循环神经网络、注意力机制与反馈网络；第9章介绍深度学习网络优化的相关内容；第 10～13章介绍受限玻尔兹曼机和深度置信网络、栈式自编码器、生成对抗网络和图神经网络；第 14 章介绍深度强化学习；第15章介绍深度学习的可解释性；第16章介绍多模态预训练模型。深度学习是源于对含有多个隐藏层的神经网络结构进行的研究，以便建立和模拟人脑的学习过程。本书整理了人工神经网络从简单到复杂的模型，归纳和总结了神经网络的理论、方法和应用实践。本书可以作为高等院校人工智能及相关专业或非计算机专业的参考用书，也可以作为人工智能领域的科技工作者或科研机构工作人员的参考用书。

本书主要介绍神经网络与深度学习中的基础知识、主要模型（卷积神经网络、递归神经网络等）以及在计算机视觉、自然语言处理等领域的应用。

本书结合日常生活中的寻常小事，生动形象地阐述了神经网络与深度学习的基本概念、原理和实践，案例丰富，深入浅出。对于正在进入人工智能时代的我们，这些内容无疑可以帮助我们更好地理解人工智能的原理，丰富我们对人类自身的认识，并启发我们对人机智能之争更深一层的思考与探索。

清华大学刘知远力作，一书轻松构建GNN知识体系。 前沿：图神经网络（GNN）已风靡深度学习领域 全面：综述流行的GNN框架以及应用场景 新增：在英文版的基础上增补更多内容 力荐：多位AI先锋学者联袂推荐 精美：采用高档纯质纸，全彩印刷，适合珍藏 图神经网络（GNN）是基于深度学习的图数据处理方法，因其卓越的性能而受到广泛关注。本书全面介绍了GNN的基本概念、具体模型和实际应用。书中首先概述数学基础和神经网络以及图神经网络的基本概念，接着介绍不同种类的GNN，包括卷积图神经网络、循环图神经网络、图注意力网络、图残差网络，以及几个通用框架。此外，本书还介绍了GNN在结构化场景、非结构化场景和其他场景中的应用。读完本书，你将对GNN的最新成果和发展方向有较为透彻的认识。