深入淺出深度學習原理剖析與Python實踐.pdf
http://www.www.srpcoatings.com
2020年11月9日
 |
| 第1頁 |
 |
| 第9頁 |
 |
| 第18頁 |
 |
| 第24頁 |
 |
| 第45頁 |
 |
| 第322頁 |
參見附件(94549KB，356頁)。
深入淺出深度學習原理剖析與Python實踐的特色在于取舍明確，一切無助于迅速理解深度學習精髓的內(nèi)容全被摒棄了，并著重闡述了技術(shù)上的重點和難點；表達上深入淺出：即便是從未接觸過AI知識的人，也能從作者簡明清晰的表述中，一窺深度學習。
內(nèi)容簡介
《深入淺出深度學習：原理剖析與Python實踐》介紹了深度學習相關(guān)的原理與應(yīng)用，全書共分為三大部分，第一部分主要回顧了深度學習的發(fā)展歷史，以及Theano的使用；第二部分詳細講解了與深度學習相關(guān)的基礎(chǔ)知識，包括線性代數(shù)、概率論、概率圖模型、機器學習和至優(yōu)化算法；在第三部分中，針對若干核心的深度學習模型，如自編碼器、受限玻爾茲曼機、遞歸神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)等進行詳細的原理分析與講解，并針對不同的模型給出相應(yīng)的具體應(yīng)用。
《深入淺出深度學習：原理剖析與Python實踐》適合有一定高等數(shù)學、機器學習和Python編程基礎(chǔ)的在校學生、高校研究者或在企業(yè)中從事深度學習的工程師使用，書中對模型的原理與難點進行了深入分析，在每一章的后面都提供了詳細的參考文獻，讀者可以對相關(guān)的細節(jié)進行更深入的研究。理論與實踐相結(jié)合，《深入淺出深度學習：原理剖析與Python實踐》針對常用的模型分別給出了相應(yīng)的應(yīng)用，讀者也可以在Github中和查看《深入淺出深度學習：原理剖析與Python實踐》的代碼(https://github.com/innovation-cat/DeepLearningBook)。
作者簡介
黃安埠，2012年畢業(yè)于清華大學，獲碩士學位，在校期間活躍于TopCoder等編程競賽社區(qū)�，F(xiàn)為騰訊基礎(chǔ)研究高級工程師，研究領(lǐng)域包括個性化推薦、自然語言處理和大規(guī)模的相似度優(yōu)化計算，特別是對于深度學習在推薦系統(tǒng)的應(yīng)用有深入的研究，并申請了國內(nèi)十余項相關(guān)專利。
本書結(jié)構(gòu)
第1部分是概要，共分為兩章。第1章主要闡述了深度學習、人工智能相關(guān)的背景，深度學習的原理，以及當前流行的深度學習框架對比；第2章介紹了深度學習框架Theano的使用，著重對Theano的基礎(chǔ)知識和編程范式進行了講解。
第2部分是與深度學習相關(guān)的數(shù)學和機器學習方面的基礎(chǔ)知識，共分為5章。第3章介紹線性代數(shù)基礎(chǔ)知識；第4章介紹了概率論和數(shù)理統(tǒng)計相關(guān)的知識；第5章介紹概率圖模型，包括貝葉斯網(wǎng)絡(luò)和馬爾科夫網(wǎng)絡(luò)的原理；第6章簡要回顧機器學習的基礎(chǔ)知識，并介紹機器學習模型與深度學習模型之間的聯(lián)系；第7章，深入分析幾種常用的機器學習最優(yōu)化方法，包括具有一階收斂速度的梯度下降法和共軛梯度法，以及具有二階收斂速度的牛頓法和擬牛頓法。
第3部分介紹了各種常見的深度學習模型，包括一系列的深度學習模型理論及其應(yīng)用，本部分共分為6章。第8章介紹全連接前饋神經(jīng)網(wǎng)絡(luò)，包括網(wǎng)絡(luò)結(jié)構(gòu)和激活函數(shù)的相關(guān)知識；第9章將深入分析反向傳播算法，以及梯度消失問題。梯度消失也是深度神經(jīng)網(wǎng)絡(luò)訓練的一大難點，我們將介紹當前有效解決深度網(wǎng)絡(luò)訓練中過擬合和欠擬合的常見技巧，包括Batch Normalization、殘差網(wǎng)絡(luò)、Dropout等；第10章介紹本書的第一種無監(jiān)督網(wǎng)絡(luò)模型：自編碼器及其變種模型；第11章介紹一種深度概率圖模型-受限玻爾茲曼機，與自編碼器一樣，受限玻爾茲曼機也是一種常見的無監(jiān)督網(wǎng)絡(luò)模型，最后介紹如何將受限玻爾茲曼機應(yīng)用于個性化推薦領(lǐng)域中；第12章，將介紹一種應(yīng)用非常廣泛的網(wǎng)絡(luò)結(jié)構(gòu)--遞歸神經(jīng)網(wǎng)絡(luò)，深人分析遞歸網(wǎng)絡(luò)的結(jié)構(gòu)及其變形網(wǎng)絡(luò)，如LSTM.GRU等，并以語言模型為例，介紹遞歸神經(jīng)網(wǎng)絡(luò)在自然語言處理中的應(yīng)用；第13章介紹另一種常見的模型結(jié)構(gòu)：卷積神經(jīng)網(wǎng)絡(luò)，包括卷積網(wǎng)絡(luò)的卷積層和池化層結(jié)構(gòu)設(shè)計，以及其在文本分類中的應(yīng)用。
人工智能、機器學習與深度學習的關(guān)系
人工智能、機器學習和深度學習是當前機器智能領(lǐng)域最熱門的三個詞匯，很多人甚至將三者看成是一種等價的關(guān)系，例如在2016年3月，當Google Deepmind的AlphaGo擊敗了韓國圍棋大師李世石九段后，媒體在報道時就混雜使用了人工智能、機器學習和深度學習等多種術(shù)語。事實上，這三者之間既有一定的聯(lián)系，但也有明顯的區(qū)別。要正確理解深度學習的概念，首先應(yīng)該了解人工智能、機器學習與深度學習這三者之間的關(guān)系。
要理解三者之間的關(guān)系，可以通過同心圓來可視化表示三者的關(guān)系。最外面的圓環(huán)代表人工智能，里面一層表示機器學習，人工神經(jīng)網(wǎng)絡(luò)和深度學習處于中心位置，也可以簡單理解為機器學習是人工智能的一個分支，而深度學習則是一種特殊的機器學習實現(xiàn)方法
深入淺出深度學習原理剖析與Python實踐截圖
您現(xiàn)在查看是摘要介紹頁， 詳見PDF附件(94549KB，356頁)。