泸西县图书馆“U书快借”平台

编辑推荐

网络上的信息呈指数级爆炸式增长，通过浏览网络信息获得有助于进行深度学习的可靠内容变得比以往任何时候都要困难。如果你是一个初学者，希望从头开始学习深度学习理论以及构建深度学习模型，并且已经具备了入门所需的基本数学知识和编程知识，那么这本书正是你所需要的。
本书从机器学习的基本概述开始，指导你建立流行的基于Python语言的深度学习程序框架。你还将了解如何实现对数据的清洗和预处理，以便使用数据样本进行深度学习，并逐步探索神经网络的训练方法和应用技术。本书还将帮助你亲自动手训练单层和多层神经元，从而深入理解神经网络模型的工作原理。稍后，你将在一些简单应用实例的帮助下掌握若干当前比较流行的神经网络架构，例如CNN、RNN、AE、VAE和GAN。你甚至将从头开始构建这些模型。在每一章的结尾处有一个问答环节，可以帮助你测试对本书内容的掌握情况。
当学完本书的时候，你将能够精通深度学习的概念，并拥有使用特定算法与适当工具解决不同任务所需要的知识。
通过学习本书，你将能够：
· 实现用于完成图像分类和自然语言处理任务的RNN模型和长短时记忆模型。
· 探索CNN模型在计算机视觉和信号处理中的作用。
· 理解深度学习建模的伦理。
· 理解与深度学习相关的数学术语。
· 构建GAN和VAE模型，并且从已学习的潜在空间中生成虚拟图像。
· 通过可视化技术实现AE和VAE模型的性能比较。

展开

译者序
序
前言
作者简介
审校者简介
第一部分　深度学习快速入门
第1章　机器学习概述 2
11　接触ML生态系统 2
12　从数据中训练ML算法 4
13　深度学习概述 5
131　神经元模型 5
132　感知机学习算法 6
133　浅层网络 8
134　深度网络 11
14　深度学习在现代社会中的重要性 13
15　小结 14
16　习题与答案 15
17　参考文献 15
第2章　深度学习框架的搭建与概述 16
21　Colaboratory简介 16
22　TensorFlow的简介与安装 17
221　安装 17
222　拥有GPU支持的TensorFlow 18
223　TensorFlow背后的原理 18
23　Keras的简介与安装 19
231　安装 19
232　Keras背后的原理 19
24　PyTorch简介 21
25　Dopamine简介 21
26　其他深度学习程序库 23
261　Caffe 23
262　Theano 23
263　其他程序库 23
27　小结 24
28　习题与答案 24
29　参考文献 24
第3章　数据准备 26
31　二元数据与二元分类 27
311　克利夫兰心脏病数据集的二元目标 27
312　二值化MINST数据集 30
32　分类数据与多个类别 33
321　将字符串标签转换成数字 34
322　将分类转换成独热编码 36
33　实值数据与单变量回归 38
331　缩放到特定范围的数值 38
332　标准化到零均值和单位方差 41
34　改变数据的分布 42
35　数据增强 44
351　尺度缩放 44
352　添加噪声 45
353　旋转 45
354　其他增强手段 46
36　数据降维 46
361　监督算法 47
362　无监督技术 48
363　关于维度的数量 52
37　操纵数据的道德影响 53
38　小结 53
39　习题与答案 53
310　参考文献 54
第4章　从数据中学习 55
41　学习的目的 55
411　分类问题 56
412　回归问题 60
42　度量成功与错误 63
421　二元分类 64
422　多元分类 65
423　回归分析矩阵 69
43　识别过拟合和泛化 70
431　拥有测试数据的情形 71
432　没有测试数据的情形 72
44　机器学习背后的艺术 74
45　训练深度学习算法的伦理意蕴 78
451　使用适当的模型性能度量指标 79
452　小心对待并验证异常值 79
453　抽样不足组的权重类 80
46　小结 80
47　习题与答案 81
48　参考文献 81
第5章　训练单个神经元 83
51　感知机模型 83
511　概念的可视化 83
512　张量运算 84
52　感知机学习算法 86
53　处理线性不可分数据的感知机 88
531　线性可分数据的收敛 88
532　线性不可分数据的收敛 91
54　小结 92
55　习题与答案 93
56　参考文献 93
第6章　训练多层神经元 94
61　MLP模型 94
62　最小化误差 96
621　步骤1：初始化 99
622　步骤2：前向传播 99
623　步骤3：计算损失 101
624　步骤4：反向传播 101
63　寻找最佳超参数 106
64　小结 109
65　习题与答案 109
66　参考文献 110
第二部分　无监督深度学习
第7章　自编码器 112
71　无监督学习简介 112
72　编码层与解码层 113
721　编码层 115
722　解码层 116
723　损失函数 116
724　学习与测试 117
73　数据降维与可视化应用 119
731　MNIST数据的准备 120
732　MNIST的自编码器 120
733　模型训练与可视化 122
74　无监督学习的伦理意蕴 126
75　小结 127
76　习题与答案 127
77　参考文献 128
第8章　深度自编码器 129
81　深度信念网络简介 129
82　建立深度自编码器 130
821　批归一化 130
822　随机失活 134
83　探索深度自编码器的潜在空间 139
831　CIFAR-10 139
832　MNIST 146
84　小结 148
85　习题与答案 148
86　参考文献 149
第9章　变分自编码器 150
91　深度生成模型简介 150
92　研究变分自编码器模型 151
921　回顾心脏病数据集 153
922　重参数化技巧与采样 154
923　学习编码器中的后验概率分布参数 154
924　解码器建模 156
925　最小化重构损失 156
926　训练VAE模型 157
927　使用VAE生成数据 159
93　深度和浅层VAE在MNIST上的性能比较 161
931　浅层VAE模型 162
932　深度VAE模型 164
933　VAE模型去噪 168
94　生成模型的伦理意蕴 168
95　小结 169
96　习题与答案 169
97　参考文献 170
第10章　受限玻尔兹曼机 171
101　RBM模型

展开