作品简介

本书正文内容可分3部分,共9章:综述篇(第1,6,9章)。这三章不需要编程和数学基础,如果读者尚不熟悉技术,推荐优先阅读,尤其是第1和第9章。它们分别介绍:深度学习的基本概念,AlphaGo的架构综述,深度学习的问题和未来展望。深度卷积网络篇(第2,3,4,5章)。这四章结合理论与实际代码,由浅入深,从神经网络,到卷积网络,到深度卷积网络,让读者掌握深度卷积网络的基础知识、实践技巧和新发展,是本书的关键所在,值得仔细阅读。实战篇(第7,8章)。这两章分别讲述AlphaGo和GAN的训练和应用细节,包括详细的代码分析。

彭博

人工智能、量化交易、区块链领域的技术专家,有20年以上的研发经验。

在人工智能与信息科技方面,对深度学习、机器学习、计算机图形学、智能硬件等有较为深入的研究;在量化交易方面,曾在全球大的外汇对冲基金负责程序化交易,对市场的微观和宏观行为有较为深入的理解;在区块链方面,对智能合约、DApp开发和自动交易有较为深入的实践。

知乎上科技领域的大V,在专栏撰有大量技术文章。

作品目录

  • 前言
  • 引子·神之一手
  • 第1章 走进深度学习的世界
  • 1.1 从人工智能到深度学习
  • 1.2 深度神经网络的威力:以AlphaGo为例
  • 1.3 深度神经网络的应用大观
  • 1.4 亲自体验深度神经网络
  • 1.5 深度神经网络的基本特点
  • 1.6 人工智能与神经网络的历史
  • 第2章 深度卷积网络:第一课
  • 2.1 神经元:运作和训练
  • 2.2 深度学习框架MXNet:安装和使用
  • 2.3 神经网络:运作和训练
  • 第3章 深度卷积网络:第二课
  • 3.1 重要理论知识
  • 3.2 神经网络的正则化
  • 3.3 神经网络的调参
  • 3.4 实例:MNIST问题
  • 3.5 网络训练的常见bug和检查方法
  • 3.6 网络训练性能的提高
  • 第4章 深度卷积网络:第三课
  • 4.1 卷积网络:从实例说明
  • 4.2 运作:AlphaGo眼中的棋盘
  • 4.3 卷积神经网络:进一步了解
  • 4.4 实例:用卷积网络解决MNIST问题
  • 4.5 MXNet的使用技巧
  • 第5章 深度卷积网络:第四课
  • 5.1 经典的深度卷积网络架构
  • 5.2 网络的可视化:以AlexNet为例
  • 5.3 迁移学习:精调、预训练等
  • 5.4 架构技巧:基本技巧
  • 5.5 架构技巧:残差网络与通道组合
  • 5.6 架构技巧:更多进展
  • 5.7 物体检测与图像分割
  • 5.8 风格转移
  • 第6章 AlphaGo架构综述
  • 6.1 从AlphaGo到AlphaZero
  • 6.2 AlphaGo的对弈过程
  • 6.3 AlphaGo中的深度卷积网络架构
  • 6.4 AlphaGo的训练过程
  • 6.5 AlphaGo方法的推广
  • 第7章 训练策略网络与实战
  • 7.1 训练前的准备工作
  • 7.2 训练代码
  • 7.3 对弈实战
  • 第8章 生成式对抗网络:GAN
  • 8.1 GAN的起源故事
  • 8.2 GAN的基本原理
  • 8.3 实例:DCGAN及训练过程
  • 8.4 GAN的更多架构和应用
  • 8.5 更多的生成模型方法
  • 第9章 通向智能之秘
  • 9.1 计算机视觉的难度
  • 9.2 对抗样本,与深度网络的特点
  • 9.3 人工智能的挑战与机遇
  • 9.4 深度学习的理论发展
  • 9.5 深度学习与人工智能的展望
  • 跋 人工智能与我们的未来
  • 附录 深度学习与AI的网络资源
展开全部