深度学习:智能时代的核心驱动力量PDF电子书下载免费版|百度网盘下载

编辑评论：

深度学习智能时代的核心驱动力本书作为深度学习领域的一部综合性著作，通过全景三个部分展示了深度学习的发展、演进和应用.首次以见证者的视角追溯深度学习浪潮60年来的发展和人工智能的螺旋式崛起，前瞻性地预测了智能时代的商业格局。

图书特色

【深度学习会扩展你的认知，人工智能不是生存威胁。 】本书的内容与每个人的生活息息相关。 AlphaGo、自动驾驶、语音识别、智能翻译、AI医疗、图像识别……你看到的各种形式的人工智能，背后都是深度学习。这本书将告诉你深度学习的惊人之处以及它对你的影响。

【人工智能作者重磅之作】世界十大AI科学家之一，美国“第四科学院院士”（仅3人居住在美国），Terence Sheenau 董事长NIPS 基金会，全球人工智能专业会议 Terrence/Terry Sejnowski 的杰作。

【AI女神、AI教父推荐】Google Cloud AI前负责人、斯坦福大学HAI研究院联合创始人李飞飞，AI教父Jeffrey Hinton诚挚推荐。

[如果你想了解深度学习，请阅读本书。 ] 很多信息都在传达着AI会给我们带来革命性的变化，但只是指出了外表，而本书将从AI的源头——深度学习入手，描述这个智能时代的核心驱动力如何影响步一步一步。技术、商业和整个世界的进步。

简介

全球科技巨头都在拥抱深度学习。自动驾驶、AI医疗、语音识别、图像识别、智能翻译、惊天动地的AlphaGo，无一不是深度学习的魔力背后。深度学习是让人工智能从概念走向繁荣的主流技术。通过深度学习训练的计算机不再被动地按照指令操作，而是像自然进化的生命一样，开始从经验中自主学习。

本书的作者特伦斯·舍诺夫斯基是世界人工智能领域的十大科学家之一，深度学习的先驱和创始人，经历了1970年代到1990年代深度学习的寒冬。但他和一群先驱者，利用大数据和不断增强的计算能力，终于在神经网络算法上取得重大突破，实现了人工智能的井喷式发展。

关于作者

特伦斯（特里）塞诺夫斯基

全球十大人工智能科学家之一，美国四大国家科学院（美国国家科学院、美国国家科学院、美国国家工程院、美国国家科学院）中仅有的三位在世“院士”之一艺术与科学），全球人工智能专业会议 NIPS 基金会主席。

作为神经网络的先驱，早在 1986 年，Terence 和 Geoffrey Hinton 就共同发明了玻尔兹曼机，将神经网络带入了研究和应用的热潮，从 Edge 主题转变深度学习已成为互联网的核心技术依托科技企业，实现人工智能的井喷式发展。

Terence 目前是索尔克生物研究所（美国生命科学领域生产力最高的研究机构）计算神经生物学实验室的主任，是美国政府 50 亿美元的“大脑”项目项目”（BRAIN，通过推进创新神经技术进行大脑研究）的领导者。

Terence 还是全球最大的在线学习平台 Coursera 上最受欢迎的课程“学习如何学习”的负责人。通过系统地解释大脑认知的基础知识，学习者可以改变他们的思维。提高学习能力和效率的模式。目前，该课程的学生人数已超过300万。

原版试读

不久前，人们常说计算机视觉不如一岁大。现在看来，这句话必须改写。计算机不仅可以像大多数成年人一样识别图片中的物体，而且在路上开车比 16 岁的孩子更安全。更令人惊奇的是，今天的计算机不再是被动地根据指令进行识别和驾驶，而是自主地从经验中学习，就像几百万年前自然界中的生命开始进化一样。正是数据的激增促成了这种技术进步。如果说数据是新时代的石油，那么学习算法就是从中提取信息的炼油厂；信息积累成知识；知识深化为理解；理解演变为智慧。欢迎来到深度学习的新世界。

深度学习是机器学习的一个分支，植根于数学、计算机科学和神经科学。深度网络从数据中学习，就像婴儿了解他们周围的世界一样，从睁开眼睛开始，慢慢获得驾驭新环境所需的技能。深度学习的起源可以追溯到 1950 年代人工智能的诞生。关于如何构建人工智能有两种不同的观点：一种是基于逻辑和计算机程序的观点，几十年来一直主导着人工智能的研究和应用；另一种观点主张直接从数据中学习，经历了更长时间的探索和成熟。

在 20 世纪，当计算机技术还不成熟，按照今天的标准，数据存储成本很高时，使用逻辑程序解决问题的效率更高。熟练的程序员需要为每个不同的问题编写不同的程序，而且问题越大，对应的程序就越复杂。如今，随着计算机越来越强大，数据资源越来越丰富，使用学习算法解决问题比以往任何时候都更快、更准确、更高效。此外，同一个学习算法可以用来解决许多不同的问题，这比为每个问题编写不同的程序要少得多。

这本书的初稿是在我在太平洋西北地区徒步旅行并反思近几十年来人工智能领域的巨大变化之后写的。该书讲述了一小群研究人员挑战当时资金较为雄厚并被视为“唯一主导力量”的 AI 研究机构的故事，他们大大低估了这些问题的难度，并依靠基于一种被证明具有误导性的智能直觉。

地球上的生命充满了谜团，但也许最具挑战性的是智能的本质。自然界充满了各种形式的智能，从微小的细菌到复杂的人类智能，每一种都适应了它在自然界中的位置。人工智能也将以多种形式出现，并在智能族谱中占据特殊位置。随着基于深度神经网络的机器智能的成熟，它可以为生物智能提供一个新的概念框架。

这是深度学习的过去、现在和未来的指南。但是，本书并不是对该领域历史的全面回顾，而是对该领域重要概念的进展以及其背后研究界的个人观点的记录。人类的记忆是不可靠的，每一次重述故事都会导致记忆出现偏差，这个过程称为“重新编程”。这本书的故事跨越了40多年，虽然有些故事对我来说还历历在目，仿佛就在昨天，但我很清楚，这些故事的一些细节已经在我的记忆中被重述了。它被悄悄地改写了。

这本书有两个相互交织的主题：人类智能如何进化，以及人工智能将如何进化。这两种智能的最大区别在于，人类智能的进化历时数百万年，而人工智能只是近几十年才发展起来的。虽然这对于文化进化来说仍然是惊人的快，但过于谨慎可能不是正确的做法。

我们如何谈论人工智能

过去，人工智能在人们心中的形象大多停留在《星球大战》等科幻电影中，但AlphaGo的出现让人们真正意识到人工智能真的来了。

但是，人工智能是如何走到现在的，它的进化路径是什么，又会往哪个方向发展？很多人可能不明白。

作为深度学习领域的先驱和创始人，Terence Shenovsky 是这个问题最合适的答案。他的著作《深度学习：智能时代的核心驱动力》可以看作是人工智能发展的简史。

众所周知，机器学习将改变几乎所有工作，从制作酸奶到教授瑜伽，著名作家 Yuval Harari 在《今日简史》中写道。我们完全有理由相信，这一次情况有所不同，机器将真正改变整个情况。

我们可以看几个例子。例如，贷款审查员通过分析借款人的面部表情、语气、手部动作甚至体味来识别生化模式，从而评估借款人的信用度。而人工智能绝对可以比人类更准确、更可靠地完成这些工作，只要它与适当的传感器配对。例如，今天的测谎仪在测谎仪检测方面已经超过了大多数人，不是吗？

因此，Yuval Harari 指出，在过去的几十年里，神经科学和行为经济学等领域的研究让科学家能够“破解”人类，并更清楚地了解人类如何做出各种决定。事实证明，我们从选择食物到选择伴侣，并不是出于某种神秘的自由意志，而是由数十亿个神经元在瞬间计算出的可能性。过去备受推崇的“人类直觉”，真的只是“识别模式”。

Senovsky 是推进神经网络学习的先驱。出生于生物学的切诺夫斯基对神经网络有着坚定的信念，并有幸遇到了他的搭档杰弗里·辛顿。两人在这个领域坚持了几十年。

Shenovsky 和 ​​Hinton 合作开发了一种新的神经网络模型，称为“玻尔兹曼机”，打破了阻止一代人研究多层网络模型的僵局，证明了基于大脑的计算一种全新的方法是可行的，最终奠定为深度学习的发展奠定了基础。

但深度学习是数据密集型的，在当时的计算机条件下，人工智能无法取得重大突破。直到 30 年后，计算机才开始变得足够快，同时也可以访问海量数据，这让深度学习取得了重大突破，并主导了当前的人工智能领域。