深度学习实战

作品简介

深度学习为人工智能带来了巨大突破，也成为机器学习领域一颗闪耀的新星。虽然相关学习资料丰富，但大部分内容较为庞杂且难以理解，并对初学者的相关理论知识与实践能力有较高的要求，这使得大部分想进入这一领域的初学者望而却步。本书去繁化简地对深度学习的理论知识进行了梳理，并对算法实现做出了浅显易懂的讲解，适合初学者进行学习。结合本书的内容，读者可以快速对深度学习进行实践。通过启发式的自学模式，可以使读者由浅入深地学习并掌握常用的深度学习模型，为进一步使用开源的深度学习平台与工具提供理论与实践基础。

本书可作为高等院校计算机专业的本科生或研究生教材，也可供对深度学习感兴趣的研究人员和工程技术人员阅读参考。

杨云，教授，1981年生人。多年从事机器学习，数据挖掘，模式识别，大数据处理与分析等方面的研究工作，在英国曼彻斯特大学攻读博士学位期间，选英国政府资助的海外研究生奖励计划（UK Overseas Research Students Awards Scheme–ORSAS）。博士毕业之后，在英国萨里大学从事研究员工作，期间主持了由欧共体第七个框架计划资助下的国际合作项目的子项目。

作品目录

• 内容简介
• 前　言
• 第1章 深度学习的发展介绍
• 1.1　如何阅读本书
• 1.2　深度学习沉浮史
• 1.3　Python简易教程
• 1.3.3.1　基本数据类型
• 1.3.3.2　列表（Lists）
• 1.3.3.3　字典（Dictionaries）
• 1.3.3.4　集合（Sets）
• 1.3.3.5　元组（Tuples）
• 1.3.3.6　函数（Functions）
• 1.3.3.7　类（Classes）
• 1.3.4.1　数组（Arrays）
• 1.3.4.2　数组运算
• 1.3.4.3　广播（Broadcasting）
• 1.4　参考文献
• 第2章 机器学习快速入门
• 2.1　学习算法
• 2.2　代价函数
• 2.3　梯度下降法
• 2.4　过拟合与欠拟合
• 2.5　超参数与验证集
• 2.6　Softmax编码实战
• 2.7　参考代码
• 2.8　参考文献
• 第3章 前馈神经网络
• 3.1　神经元
• 3.2　前馈神经网络
• 3.3　BP算法
• 3.4　深度学习编码实战上
• 3.5　参考代码
• 3.6　参考文献
• 第4章 深度学习正则化
• 4.1　参数范数惩罚
• 4.2　参数绑定与参数共享
• 4.3　噪声注入与数据扩充
• 4.4　稀疏表征
• 4.5　早停
• 4.6　Dropout
• 4.7　深度学习编码实战中
• 4.8　参考代码
• 4.9　参考文献
• 第5章 深度学习优化
• 5.1　神经网络优化困难
• 5.2　随机梯度下降
• 5.3　动量学习法
• 5.4　AdaGrad和RMSProp
• 5.5　Adam
• 5.6　参数初始化策略
• 5.7　批量归一化
• 5.8　深度学习编码实战下
• 5.9　参考代码
• 5.10　参考文献
• 第6章 卷积神经网络
• 6.1　卷积操作
• 6.2　卷积的意义
• 6.3　池化操作
• 6.4　设计卷积神经网络
• 6.5　卷积网络编码练习
• 6.6　参考代码
• 6.7　参考文献
• 第7章 循环神经网络
• 7.1　循环神经网络
• 7.2　循环神经网络设计
• 7.3　门控循环神经网络
• 7.4　RNN编程练习
• 7.5　LSTM编程练习
• 7.6　参考代码
• 7.7　参考文献
• 第8章 TensorFlow快速入门
• 8.1　TensorFlow介绍
• 8.2　TensorFlow 1.0安装指南
• 8.3　TensorFlow基础
• 8.4　TensorFlow构造CNN
• 8.5　TensorBoard快速入门