书籍-《深度生成模型（第二版）》

书籍：Deep Generative Modeling
作者：Jakub M. Tomczak
出版：Springer​
编辑：陈萍萍的公主@一点人工一点智能
下载：书籍下载-《深度生成模型（第二版）》

01 书籍介绍

本书是关于生成式AI背后模型的第一本全面著作，经过彻底修订，涵盖了所有主要类别的深度生成模型，包括混合模型、概率电路、自回归模型、基于流的模型、潜在变量模型、生成对抗网络（GANs）、混合模型、基于得分的生成模型、能量模型以及大型语言模型。此外，书中还讨论了生成AI系统，展示了深度生成模型如何用于神经压缩等多种应用。 
主要特点：
全面覆盖：涵盖所有主要类别的深度生成模型。
基础要求适中：适合具备本科微积分、线性代数、概率论基础以及机器学习、深度学习和Python/PyTorch编程知识的学生、工程师和研究人员。
具体示例与代码片段：通过具体的例子和代码片段介绍基本概念，帮助读者更好地理解和应用。
配套资源丰富：全书代码可在作者的GitHub页面上获取（github.com/jmtomczak/intro_dgm）。
目标明确：旨在帮助读者掌握深度生成模型的重要技术，并最终能够设计和实现新的模型。 
内容概览：
混合模型：介绍混合模型的基本原理及其应用。
概率电路：探讨概率电路的设计与使用。
自回归模型：讲解自回归模型的结构和应用场景。
基于流的模型：详细介绍基于流的模型及其在生成任务中的应用。
潜在变量模型：解释潜在变量模型的概念及其实际应用。
生成对抗网络（GANs）：深入探讨GANs的工作机制及其变体。
混合模型：介绍混合模型的设计理念及其在实际问题中的应用。
基于得分的生成模型：讲解基于得分的生成模型及其优势。
能量模型：探讨能量模型的理论基础及其应用场景。
大型语言模型：介绍大型语言模型的发展历程及其在自然语言处理中的应用。
生成AI系统：展示如何将深度生成模型应用于神经压缩等实际问题。 
适用对象： 本书适用于来自不同背景的学生和研究人员，包括计算机科学、工程学、数据科学、物理学和生物信息学等领域，特别适合那些希望深入了解深度生成建模的人士。

02 作者简介

Jakub M. Tomczak是埃因霍温理工大学（TU/e）生成AI研究组的副教授兼组长。在加入TU/e之前，他曾任阿姆斯特丹自由大学的助理教授、高通AI研究部门（位于阿姆斯特丹）的深度学习研究员（工程师、高级工程师），并在阿姆斯特丹大学Max Welling教授的研究组担任玛丽·居里个人研究员，还在弗罗茨瓦夫理工大学担任助理教授和博士后研究员。
他的主要研究兴趣包括机器学习、深度学习、生成AI和贝叶斯推断，在图像/文本处理、生命科学、分子科学和定量金融等领域有广泛应用。他担任《Transactions of Machine Learning Research》的行动编辑，也是多个重要AI会议（如NeurIPS、ICML、AISTATS）的领域主席，并担任NeurIPS 2024的程序主席。他是《深度生成模型》一书的作者，这是第一本关于生成AI的综合性书籍。他还创办了Amsterdam AI Solutions公司。

03 书籍大纲