作者：[智]巴勃罗·里瓦斯(Pablo Riv
页数：300
出版社：机械工业出版社
出版日期：2021
ISBN：9787111695226
电子书格式：pdf/epub/txt
内容简介
本书分为三部分。部分将帮助你快速理解从数据中学习、深度学习基本架构、如何准备数据，以及深度学习中经常使用的基本概念。第二部分将重点介绍无监督学习算法。从自编码器开始，然后转向层数更深、规模更大的神经网络模型。第三部分介绍监督学习算法，你将掌握基本和不错深度学习模型的实现方法，并能够将这些模型用于分类、回归以及从潜在空间生成数据等应用场合。
本书特色
适读人群 ：深度学习和神经网络的初学者、心怀抱负的数据科学家和深度学习工程师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。
目录
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
