書馨卡幫你省薪 2024個(gè)人購(gòu)書報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >
人工智能技術(shù)叢書神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

人工智能技術(shù)叢書神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

作者：邱錫鵬
出版社：機(jī)械工業(yè)出版社出版時(shí)間：2020-04-01
開本： 16開 頁(yè)數(shù)： 439
中 圖 價(jià):¥117.7(7.9折) 定價(jià)  ¥149.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

人工智能技術(shù)叢書神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 版權(quán)信息

人工智能技術(shù)叢書神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 本書特色

本書是深度學(xué)習(xí)領(lǐng)域的入門教材，系統(tǒng)地整理了深度學(xué)習(xí)的知識(shí)體系，并由淺入深地闡述了深度學(xué)習(xí)的原理、模型以及方法，使得讀者能全面地掌握深度學(xué)習(xí)的相關(guān)知識(shí)，并提高以深度學(xué)習(xí)技術(shù)來(lái)解決實(shí)際問(wèn)題的能力。
全書共15章，分為三個(gè)部分。 首部分為機(jī)器學(xué)習(xí)基礎(chǔ)：第1章是緒論，介紹人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的概要，使讀者全面了解相關(guān)知識(shí)；第2~3章介紹機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)。 第二部分是基礎(chǔ)模型：第4～6章分別講述三種主要的神經(jīng)網(wǎng)絡(luò)模型：前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)；第7章介紹神經(jīng)網(wǎng)絡(luò)的優(yōu)化與正則化方法；第8章介紹神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制和外部記憶；第9章簡(jiǎn)要介紹一些無(wú)監(jiān)督學(xué)習(xí)方法；第10章介紹一些模型獨(dú)立的機(jī)器學(xué)習(xí)方法，包括集成學(xué)習(xí)、自訓(xùn)練、協(xié)同訓(xùn)練、多任務(wù)學(xué)習(xí)、遷移學(xué)習(xí)、終身學(xué)習(xí)、元學(xué)習(xí)等。 第三部分是進(jìn)階模型：第11章介紹概率圖模型的基本概念，為后面的章節(jié)進(jìn)行鋪墊；第12章介紹兩種早期的深度學(xué)習(xí)模型：玻爾茲曼機(jī)和深度信念網(wǎng)絡(luò)；第13章介紹深度生成模型，包括變分自編碼器和生成對(duì)抗網(wǎng)絡(luò)；第14章介紹深度強(qiáng)化學(xué)習(xí)；第15章介紹應(yīng)用十分廣泛的序列生成模型。 本書可作為高等院校人工智能、計(jì)算機(jī)、自動(dòng)化、電子和通信等相關(guān)專業(yè)的研究生或本科生教材，也可供相關(guān)領(lǐng)域的研究人員和工程技術(shù)人員參考。
本書還配備了教學(xué)PPT、編程練習(xí)以及課后習(xí)題的討論， 獲取方式： 1.微信關(guān)注“華章計(jì)算機(jī)”（微信號(hào)：hzbook_jsj） 2.在后臺(tái)回復(fù)關(guān)鍵詞:蒲公英書

人工智能技術(shù)叢書神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 內(nèi)容簡(jiǎn)介

本書是深度學(xué)習(xí)領(lǐng)域的入門教材，系統(tǒng)地整理了深度學(xué)習(xí)的知識(shí)體系，由淺入深地闡述了深度學(xué)習(xí)的基礎(chǔ)知識(shí)、主要模型以及前沿研究熱點(diǎn)，使得讀者能有效地掌握深度學(xué)習(xí)的相關(guān)知識(shí)，并具備以深度學(xué)習(xí)技術(shù)來(lái)處理和解決大數(shù)據(jù)問(wèn)題的能力。全書共 15章，分為三個(gè)部分。部分為機(jī)器學(xué)習(xí)基礎(chǔ)：第 1章是緒論，概要介紹人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)；第 2～3章介紹機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)。第二部分是基礎(chǔ)模型：第 4～6章分別講述三種主要的神經(jīng)網(wǎng)絡(luò)模型：前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)；第 7章介紹神經(jīng)網(wǎng)絡(luò)的優(yōu)化與正則化方法；第 8章介紹神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制和外部記憶；第 9章簡(jiǎn)要介紹一些無(wú)監(jiān)督學(xué)習(xí)方法；第 10章介紹一些模型獨(dú)立的機(jī)器學(xué)習(xí)方法，包括集成學(xué)習(xí)、自訓(xùn)練、協(xié)同訓(xùn)練、多任務(wù)學(xué)習(xí)、遷移學(xué)習(xí)、終身學(xué)習(xí)、元學(xué)習(xí)等。第三部分是進(jìn)階模型：第 11章介紹概率圖模型的基本概念；第 12章介紹兩種早期的深度學(xué)習(xí)模型—玻爾茲曼機(jī)和深度信念網(wǎng)絡(luò)；第 13章介紹深度生成模型，包括變分自編碼器和生成對(duì)抗網(wǎng)絡(luò)；第 14章介紹深度強(qiáng)化學(xué)習(xí)；第 15章介紹應(yīng)用十分廣泛的序列生成模型。本書可作為高等院校人工智能、計(jì)算機(jī)、自動(dòng)化、電子和通信等相關(guān)專業(yè)的研究生或本科生教材，也可供相關(guān)領(lǐng)域的研究人員和工程技術(shù)人員參考。

人工智能技術(shù)叢書神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 目錄

序 前言 常用符號(hào)表 **部分 機(jī)器學(xué)習(xí)基礎(chǔ) 第1章 緒論3 1.1人工智能...............................4 1.1.1人工智能的發(fā)展歷史....................5 1.1.2人工智能的流派.......................7 1.2機(jī)器學(xué)習(xí)...............................7 1.3表示學(xué)習(xí)...............................8 1.3.1局部表示和分布式表示...................9 1.3.2表示學(xué)習(xí)...........................11 1.4深度學(xué)習(xí)...............................11 1.4.1端到端學(xué)習(xí)..........................12 1.5神經(jīng)網(wǎng)絡(luò)...............................13 1.5.1人腦神經(jīng)網(wǎng)絡(luò)........................13 1.5.2人工神經(jīng)網(wǎng)絡(luò)........................14 1.5.3神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史....................15 1.6本書的知識(shí)體系...........................17 1.7常用的深度學(xué)習(xí)框架.........................18 1.8總結(jié)和深入閱讀...........................20 第2章 機(jī)器學(xué)習(xí)概述23 2.1基本概念...............................24 2.2機(jī)器學(xué)習(xí)的三個(gè)基本要素......................26 2.2.1模型..............................26 2.2.2學(xué)習(xí)準(zhǔn)則...........................27 2.2.3優(yōu)化算法...........................30 2.3機(jī)器學(xué)習(xí)的簡(jiǎn)單示例——線性回歸.................33 2.3.1參數(shù)學(xué)習(xí)...........................34 2.4偏差-方差分解............................38 2.5機(jī)器學(xué)習(xí)算法的類型.........................41 2.6數(shù)據(jù)的特征表示...........................43 2.6.1傳統(tǒng)的特征學(xué)習(xí).......................44 2.6.2深度學(xué)習(xí)方法........................46 2.7評(píng)價(jià)指標(biāo)...............................46 2.8理論和定理..............................49 2.8.1PAC學(xué)習(xí)理論........................49 2.8.2沒有免費(fèi)午餐定理......................50 2.8.3奧卡姆剃刀原理.......................50 2.8.4丑小鴨定理..........................51 2.8.5歸納偏置...........................51 2.9總結(jié)和深入閱讀...........................51 第3章 線性模型 3.1線性判別函數(shù)和決策邊界......................56 3.1.1二分類............................56 3.1.2多分類............................58 3.2Logistic回歸.............................59 3.2.1參數(shù)學(xué)習(xí)...........................60 3.3Softmax回歸.............................61 3.3.1參數(shù)學(xué)習(xí)...........................62 3.4感知器.................................64 3.4.1參數(shù)學(xué)習(xí)...........................64 3.4.2感知器的收斂性.......................66 3.4.3參數(shù)平均感知器.......................67 3.4.4擴(kuò)展到多分類........................69 3.5支持向量機(jī)..............................71 3.5.1參數(shù)學(xué)習(xí)...........................73 3.5.2核函數(shù)............................74 3.5.3軟間隔............................74 3.6損失函數(shù)對(duì)比.............................75 3.7總結(jié)和深入閱讀...........................76 第二部分 基礎(chǔ)模型 第4章 前饋神經(jīng)網(wǎng)絡(luò)81 4.1神經(jīng)元.................................82 4.1.1Sigmoid型函數(shù).......................83 4.1.2ReLU函數(shù)..........................86 4.1.3Swish函數(shù)..........................88 4.1.4GELU函數(shù)..........................89 4.1.5Maxout單元.........................89 4.2網(wǎng)絡(luò)結(jié)構(gòu)...............................90 4.2.1前饋網(wǎng)絡(luò)...........................90 4.2.2記憶網(wǎng)絡(luò)...........................90 4.2.3圖網(wǎng)絡(luò)............................90 4.3前饋神經(jīng)網(wǎng)絡(luò).............................91 4.3.1通用近似定理........................93 4.3.2應(yīng)用到機(jī)器學(xué)習(xí).......................94 4.3.3參數(shù)學(xué)習(xí)...........................95 4.4反向傳播算法.............................95 4.5自動(dòng)梯度計(jì)算.............................98 4.5.1數(shù)值微分...........................99 4.5.2符號(hào)微分...........................99 4.5.3自動(dòng)微分...........................100 4.6優(yōu)化問(wèn)題...............................103 4.6.1非凸優(yōu)化問(wèn)題........................103 4.6.2梯度消失問(wèn)題........................104 4.7總結(jié)和深入閱讀...........................104 第5章 卷積神經(jīng)網(wǎng)絡(luò)109 5.1卷積..................................110 5.1.1卷積的定義..........................110 5.1.2互相關(guān)............................112 5.1.3卷積的變種..........................113 5.1.4卷積的數(shù)學(xué)性質(zhì).......................114 5.2卷積神經(jīng)網(wǎng)絡(luò).............................115 5.2.1用卷積來(lái)代替全連接....................115 5.2.2卷積層............................116 5.2.3匯聚層............................118 5.2.4卷積網(wǎng)絡(luò)的整體結(jié)構(gòu)....................119 5.3參數(shù)學(xué)習(xí)...............................120 5.3.1卷積神經(jīng)網(wǎng)絡(luò)的反向傳播算法...............120 5.4幾種典型的卷積神經(jīng)網(wǎng)絡(luò)......................121 5.4.1LeNet-5............................122 5.4.2AlexNet...........................123 5.4.3Inception網(wǎng)絡(luò)........................125 5.4.4殘差網(wǎng)絡(luò)...........................126 5.5其他卷積方式.............................127 5.5.1轉(zhuǎn)置卷積...........................127 5.5.2空洞卷積...........................129 5.6總結(jié)和深入閱讀...........................130 第6章 循環(huán)神經(jīng)網(wǎng)絡(luò)133 6.1給網(wǎng)絡(luò)增加記憶能力.........................134 6.1.1延時(shí)神經(jīng)網(wǎng)絡(luò)........................134 6.1.2有外部輸入的非線性自回歸模型..............134 6.1.3循環(huán)神經(jīng)網(wǎng)絡(luò)........................135 6.2簡(jiǎn)單循環(huán)網(wǎng)絡(luò).............................135 6.2.1循環(huán)神經(jīng)網(wǎng)絡(luò)的計(jì)算能力..................136 6.3應(yīng)用到機(jī)器學(xué)習(xí)...........................138 6.3.1序列到類別模式.......................138 6.3.2同步的序列到序列模式...................139 6.3.3異步的序列到序列模式...................139 6.4參數(shù)學(xué)習(xí)...............................140 6.4.1隨時(shí)間反向傳播算法....................141 6.4.2實(shí)時(shí)循環(huán)學(xué)習(xí)算法......................142 6.5長(zhǎng)程依賴問(wèn)題.............................143 6.5.1改進(jìn)方案...........................144 6.6基于門控的循環(huán)神經(jīng)網(wǎng)絡(luò)......................145 6.6.1長(zhǎng)短期記憶網(wǎng)絡(luò).......................145 6.6.2LSTM網(wǎng)絡(luò)的各種變體...................147 6.6.3門控循環(huán)單元網(wǎng)絡(luò)......................148 6.7深層循環(huán)神經(jīng)網(wǎng)絡(luò)..........................149 6.7.1堆疊循環(huán)神經(jīng)網(wǎng)絡(luò)......................150 6.7.2雙向循環(huán)神經(jīng)網(wǎng)絡(luò)......................150 6.8擴(kuò)展到圖結(jié)構(gòu).............................151 6.8.1遞歸神經(jīng)網(wǎng)絡(luò)........................151 6.8.2圖神經(jīng)網(wǎng)絡(luò)..........................152 6.9總結(jié)和深入閱讀...........................153 第7章 網(wǎng)絡(luò)優(yōu)化與正則化157 7.1網(wǎng)絡(luò)優(yōu)化...............................157 7.1.1網(wǎng)絡(luò)結(jié)構(gòu)多樣性.......................158 7.1.2高維變量的非凸優(yōu)化....................158 7.1.3神經(jīng)網(wǎng)絡(luò)優(yōu)化的改善方法..................160 7.2優(yōu)化算法...............................160 7.2.1小批量梯度下降.......................160 7.2.2批量大小選擇........................161 7.2.3學(xué)習(xí)率調(diào)整..........................162 7.2.4梯度估計(jì)修正........................167 7.2.5優(yōu)化算法小結(jié)........................170 7.3參數(shù)初始化..............................171 7.3.1基于固定方差的參數(shù)初始化.................172 7.3.2基于方差縮放的參數(shù)初始化.................173 7.3.3正交初始化..........................175 7.4數(shù)據(jù)預(yù)處理..............................176 7.5逐層歸一化..............................178 7.5.1批量歸一化..........................179 7.5.2層歸一化...........................181 7.5.3權(quán)重歸一化..........................182 7.5.4局部響應(yīng)歸一化.......................182 7.6超參數(shù)優(yōu)化..............................183 7.6.1網(wǎng)格搜索...........................183 7.6.2隨機(jī)搜索...........................184 7.6.3貝葉斯優(yōu)化..........................184 7.6.4動(dòng)態(tài)資源分配........................185 7.6.5神經(jīng)架構(gòu)搜索........................186 7.7網(wǎng)絡(luò)正則化..............................186 7.7.1?1和?2正則化........................187 7.7.2權(quán)重衰減...........................188 7.7.3提前停止...........................188 7.7.4丟棄法............................189 7.7.5數(shù)據(jù)增強(qiáng)...........................191 7.7.6標(biāo)簽平滑...........................191 7.8總結(jié)和深入閱讀...........................192 第8章 注意力機(jī)制與外部記憶197 8.1認(rèn)知神經(jīng)學(xué)中的注意力.......................198 8.2注意力機(jī)制..............................199 8.2.1注意力機(jī)制的變體......................201 8.3自注意力模型.............................203 8.4人腦中的記憶.............................205 8.5記憶增強(qiáng)神經(jīng)網(wǎng)絡(luò)..........................207 8.5.1端到端記憶網(wǎng)絡(luò).......................208 8.5.2神經(jīng)圖靈機(jī)..........................210 8.6基于神經(jīng)動(dòng)力學(xué)的聯(lián)想記憶.....................211 8.6.1Hopfiel網(wǎng)絡(luò)........................212 8.6.2使用聯(lián)想記憶增加網(wǎng)絡(luò)容量.................215 8.7總結(jié)和深入閱讀...........................215 第9章 無(wú)監(jiān)督學(xué)習(xí)219 9.1無(wú)監(jiān)督特征學(xué)習(xí)...........................220 9.1.1主成分分析..........................220 9.1.2稀疏編碼...........................222 9.1.3自編碼器...........................224 9.1.4稀疏自編碼器........................225 9.1.5堆疊自編碼器........................226 9.1.6降噪自編碼器........................226 9.2概率密度估計(jì).............................227 9.2.1參數(shù)密度估計(jì)........................227 9.2.2非參數(shù)密度估計(jì).......................229 9.3總結(jié)和深入閱讀...........................232 第10章 模型獨(dú)立的學(xué)習(xí)方式235 10.1集成學(xué)習(xí)...............................235 10.1.1AdaBoost算法........................237 10.2自訓(xùn)練和協(xié)同訓(xùn)練..........................240 10.2.1自訓(xùn)練............................240 10.2.2協(xié)同訓(xùn)練...........................240 10.3多任務(wù)學(xué)習(xí)..............................242 10.4遷移學(xué)習(xí)...............................245 10.4.1歸納遷移學(xué)習(xí)........................246 10.4.2轉(zhuǎn)導(dǎo)遷移學(xué)習(xí)........................247 10.5終身學(xué)習(xí)...............................249 10.6元學(xué)習(xí).................................252 10.6.1基于優(yōu)化器的元學(xué)習(xí)....................253 10.6.2模型無(wú)關(guān)的元學(xué)習(xí)......................254 10.7總結(jié)和深入閱讀...........................255 第三部分 進(jìn)階模型 第11章 概率圖模型261 11.1模型表示...............................262 11.1.1有向圖模型..........................263 11.1.2常見的有向圖模型......................264 11.1.3無(wú)向圖模型..........................267 11.1.4無(wú)向圖模型的概率分解...................267 11.1.5常見的無(wú)向圖模型......................269 11.1.6有向圖和無(wú)向圖之間的轉(zhuǎn)換.................270 11.2學(xué)習(xí)..................................271 11.2.1不含隱變量的參數(shù)估計(jì)...................271 11.2.2含隱變量的參數(shù)估計(jì)....................273 11.3推斷..................................279 11.3.1精確推斷...........................279 11.3.2近似推斷...........................282 11.4變分推斷...............................283 11.5基于采樣法的近似推斷.......................285 11.5.1采樣法............................285 11.5.2拒絕采樣...........................287 11.5.3重要性采樣..........................288 11.5.4馬爾可夫鏈蒙特卡羅方法..................289 11.6總結(jié)和深入閱讀...........................292 第12章 深度信念網(wǎng)絡(luò)297 12.1玻爾茲曼機(jī)..............................297 12.1.1生成模型...........................299 12.1.2能量*小化與模擬退火...................301 12.1.3參數(shù)學(xué)習(xí)...........................302 12.2受限玻爾茲曼機(jī)...........................304 12.2.1生成模型...........................305 12.2.2參數(shù)學(xué)習(xí)...........................307 12.2.3受限玻爾茲曼機(jī)的類型...................308 12.3深度信念網(wǎng)絡(luò).............................309 12.3.1生成模型...........................310 12.3.2參數(shù)學(xué)習(xí)...........................310 12.4總結(jié)和深入閱讀...........................313 第13章 深度生成模型317 13.1概率生成模型.............................318 13.1.1密度估計(jì)...........................318 13.1.2生成樣本...........................319 13.1.3應(yīng)用于監(jiān)督學(xué)習(xí).......................319 13.2變分自編碼器.............................319 13.2.1含隱變量的生成模型....................319 13.2.2推斷網(wǎng)絡(luò)...........................321 13.2.3生成網(wǎng)絡(luò)...........................323 13.2.4模型匯總...........................323 13.2.5再參數(shù)化...........................325 13.2.6訓(xùn)練..............................325 13.3生成對(duì)抗網(wǎng)絡(luò).............................327 13.3.1顯式密度模型和隱式密度模型...............327 13.3.2網(wǎng)絡(luò)分解...........................327 13.3.3訓(xùn)練..............................329 13.3.4一個(gè)生成對(duì)抗網(wǎng)絡(luò)的具體實(shí)現(xiàn)：DCGAN..........330 13.3.5模型分析...........................330 13.3.6改進(jìn)模型...........................333 13.4總結(jié)和深入閱讀...........................336 第14章 深度強(qiáng)化學(xué)習(xí)339 14.1強(qiáng)化學(xué)習(xí)問(wèn)題.............................340 14.1.1典型例子...........................340 14.1.2強(qiáng)化學(xué)習(xí)定義........................340 14.1.3馬爾可夫決策過(guò)程......................341 14.1.4強(qiáng)化學(xué)習(xí)的目標(biāo)函數(shù)....................343 14.1.5值函數(shù)............................344 14.1.6深度強(qiáng)化學(xué)習(xí)........................345 14.2基于值函數(shù)的學(xué)習(xí)方法.......................346 14.2.1動(dòng)態(tài)規(guī)劃算法........................346 14.2.2蒙特卡羅方法........................349 14.2.3時(shí)序差分學(xué)習(xí)方法......................350 14.2.4深度Q網(wǎng)絡(luò)..........................353 14.3基于策略函數(shù)的學(xué)習(xí)方法......................354 14.3.1REINFORCE算法......................356 14.3.2帶基準(zhǔn)線的REINFORCE算法...............356 14.4演員-評(píng)論員算法...........................358 14.5總結(jié)和深入閱讀...........................360 第15章 序列生成模型365 15.1序列概率模型.............................366 15.1.1序列生成...........................367 15.2N元統(tǒng)計(jì)模型.............................368 15.3深度序列模型.............................370 15.3.1模型結(jié)構(gòu)...........................370 15.3.2參數(shù)學(xué)習(xí)...........................373 15.4評(píng)價(jià)方法...............................373 15.4.1困惑度............................373 15.4.2BLEU算法..........................374 15.4.3ROUGE算法.........................375 15.5序列生成模型中的學(xué)習(xí)問(wèn)題.....................375 15.5.1曝光偏差問(wèn)題........................376 15.5.2訓(xùn)練目標(biāo)不一致問(wèn)題....................377 15.5.3計(jì)算效率問(wèn)題........................377 15.6序列到序列模型...........................385 15.6.1基于循環(huán)神經(jīng)網(wǎng)絡(luò)的序列到序列模型...........386 15.6.2基于注意力的序列到序列模型...............387 15.6.3基于自注意力的序列到序列模型..............388 15.7總結(jié)和深入閱讀...........................390 附錄數(shù)學(xué)基礎(chǔ) 393 附錄A 線性代數(shù) 394 附錄B 微積分 404 附錄C 數(shù)學(xué)優(yōu)化 413 附錄D 概率論 420 附錄E 信息論 433 索引 439
展開全部

人工智能技術(shù)叢書神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 作者簡(jiǎn)介

邱錫鵬 復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院教授、博士生導(dǎo)師，于復(fù)旦大學(xué)獲得理學(xué)學(xué)士和博士學(xué)位。主要研究領(lǐng)域包括自然語(yǔ)言處理、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等，在相關(guān)領(lǐng)域的權(quán)威國(guó)際期刊、會(huì)議上發(fā)表學(xué)術(shù)論文60余篇，獲得計(jì)算語(yǔ)言學(xué)頂級(jí)國(guó)際會(huì)議ACL 2017杰出論文獎(jiǎng)、全國(guó)計(jì)算語(yǔ)言學(xué)會(huì)議CCL 2019最佳論文獎(jiǎng)，2015年入選首屆中國(guó)科協(xié)青年人才托舉工程，2018年獲得中國(guó)中文信息學(xué)會(huì)“錢偉長(zhǎng)中文信息處理科學(xué)技術(shù)獎(jiǎng)青年創(chuàng)新一等獎(jiǎng)”，入選由“清華—中國(guó)工程院知識(shí)智能聯(lián)合研究中心和清華大學(xué)人工智能研究院”聯(lián)合發(fā)布的2020年人工智能（AI）全球最具影響力學(xué)者提名。該排名參考過(guò)去十年人工智能各子領(lǐng)域最有影響力的會(huì)議和期刊發(fā)表論文的引用情況，排名前10的學(xué)者當(dāng)選該領(lǐng)域當(dāng)年最具影響力學(xué)者獎(jiǎng)，排名前100的其他學(xué)者獲最具影響力學(xué)者提名獎(jiǎng)。作為項(xiàng)目負(fù)責(zé)人開源發(fā)布了兩個(gè)自然語(yǔ)言處理開源系統(tǒng)FudanNLP和FastNLP，獲得了學(xué)術(shù)界和產(chǎn)業(yè)界的廣泛使用。目前擔(dān)任中國(guó)中文信息學(xué)會(huì)青年工作委員會(huì)執(zhí)行委員、計(jì)算語(yǔ)言學(xué)專委會(huì)委員、語(yǔ)言與知識(shí)計(jì)算專委會(huì)委員，中國(guó)人工智能學(xué)會(huì)青年工作委員會(huì)常務(wù)委員、自然語(yǔ)言理解專委會(huì)委員。

商品評(píng)論(0條)
暫無(wú)評(píng)論……
書友推薦
編輯推薦
返回頂部
中圖網(wǎng)
在線客服