基本介紹
- 中文名:深度學習之美
- 別名:AI時代的數據處理與最佳實踐
- 作者:張玉宏
- 類別:人工智慧
- 出版社:電子工業出版社
- 出版時間:2018年07月01日
- 頁數:680 頁
- 定價:128 元
- 開本:787×980 1/16
- 裝幀:平裝
- ISBN:978-7-121-34246-2
內容簡介,作者簡介,適讀人群,目錄,
內容簡介
深度學習是人工智慧的前沿技術。《深度學習之美》深入淺出地介紹了深度學習的相關理論和實踐,《深度學習之美》共分16章,採用理論和實踐雙主線寫作方式。第1章給出深度學習的大圖。第2章和第3章,講解了機器學習的相關基礎理論。第4章和第5章,講解了Python基礎和基於Python的機器學習實戰。第6至10章,先後講解了M-P模型、感知機、多層神經網路、BP神經網路等知識。第11章講解了深度學習框架TensorFlow。第12章和第13章詳細講解了卷積神經網路,並給出了相關的實戰項目。第14章和第15章,分別講解了循環遞歸網路和長短期記憶(LSTM)網路。第16章講解了神經膠囊網路,並給出了神經膠囊網路設計的詳細論述和實踐案例分析。
《深度學習之美》結構完整、行文流暢,是一本難得的零基礎入門、圖文並茂、通俗易懂、理論結合實戰的深度學習書籍。
作者簡介
中國計算機協會(CCF)會員,CCF YOCSEF鄭州2018—2019年度副主席,ACM/IEEE會員。《品味大數據》一書作者。主要研究方向為大數據、人工智慧、技術哲學。發表學術論文20餘篇,國內外學術作品7部。阿里云云棲社區專欄作家,博文累計閱讀逾百萬次。
適讀人群
面向對深度學習感興趣的初學者,可進行入門和提升
目錄
第1章 一入侯門“深”似海,深度學習深幾許 1
1.1 深度學習的巨大影響 2
1.2 什麼是學習 4
1.3 什麼是機器學習 4
1.4 機器學習的4個象限 5
1.5 什麼是深度學習 6
1.6 “戀愛”中的深度學習 7
1.7 深度學習的方法論 9
1.8 有沒有淺層學習 13
1.9 本章小結 14
1.10 請你思考 14
參考資料 14
第2章 人工“碳”索意猶盡,智慧型“矽”來未可知 16
2.1 信數據者得永生嗎 17
2.2 人工智慧的“江湖定位” 18
2.3 深度學習的歸屬 19
2.4 機器學習的形式化定義 21
2.5 為什麼要用神經網路 24
2.6 人工神經網路的特點 26
2.7 什麼是通用近似定理 27
2.8 本章小結 31
2.9 請你思考 31
參考資料 31
第3章 “機器學習”三重門,“中庸之道”趨若人 33
3.1 監督學習 34
3.1.1 感性認知監督學習 34
3.1.2 監督學習的形式化描述 35
3.1.3 k-近鄰算法 37
3.2 非監督學習 39
3.2.1 感性認識非監督學習 39
3.2.2 非監督學習的代表—K均值聚類 41
3.3 半監督學習 45
3.4 從“中庸之道”看機器學習 47
3.5 強化學習 49
3.6 本章小結 52
3.7 請你思考 53
參考資料 53
第4章 人生苦短對酒歌, 我用Python樂趣多 55
4.1 Python概要 56
4.1.1 為什麼要用Python 56
4.1.2 Python中常用的庫 58
4.2 Python的版本之爭 61
4.3 Python環境配置 65
4.3.1 Windows下的安裝與配置 65
4.3.2 Mac下的安裝與配置 72
4.4 Python編程基礎 76
4.4.1 如何運行Python代碼 77
4.4.2 代碼縮進 79
4.4.3 注釋 80
4.4.4 Python中的數據結構 81
4.4.5 函式的設計 93
4.4.6 模組的導入與使用 101
4.4.7 面向對象程式設計 102
4.5 本章小結 112
4.6 請你思考 112
參考資料 113
第5章 機器學習終覺淺,Python帶我來實踐 114
5.1 線性回歸 115
5.1.1 線性回歸的概念 115
5.1.2 簡易線性回歸的Python實現詳解 119
5.2 k-近鄰算法 139
5.2.1 k-近鄰算法的三個要素 140
5.2.2 k-近鄰算法實戰 143
5.2.3 使用scikit-learn實現k-近鄰算法 155
5.3 本章小結 162
5.4 請你思考 162
參考資料 162
第6章 神經網路不勝語,M-P模型似可尋 164
6.1 M-P神經元模型是什麼 165
6.2 模型背後的那些人和事 167
6.3 激活函式是怎樣的一種存在 175
6.4 什麼是卷積函式 176
6.5 本章小結 177
6.6 請你思考 178
參考資料 178
第7章 Hello World感知機,懂你我心才安息 179
7.1 網之初,感知機 180
7.2 感知機名稱的由來 180
7.3 感性認識“感知機” 183
7.4 感知機是如何學習的 185
7.5 感知機訓練法則 187
7.6 感知機的幾何意義 190
7.7 基於Python的感知機實戰 191
7.8 感知機的表征能力 196
7.9 本章小結 199
7.10 請你思考 199
參考資料 199
第8章 損失函式減肥用,神經網路調權重 201
8.1 多層網路解決“異或”問題 202
8.2 感性認識多層前饋神經網路 205
8.3 是淺而“胖”好,還是深而“瘦”佳 209
8.4 分散式特徵表達 210
8.5 丟棄學習與集成學習 211
8.6 現實很豐滿,理想很骨感 212
8.7 損失函式的定義 213
8.8 熱力學定律與梯度彌散 215
8.9 本章小結 216
8.10 請你思考 216
參考資料 217
第9章 山重水複疑無路,最快下降問梯度 219
9.1 “鳥飛派”還飛不 220
9.2 1986年的那篇神作 221
9.3 多層感知機網路遇到的大問題 222
9.4 神經網路結構的設計 225
9.5 再議損失函式 227
9.6 什麼是梯度 229
9.7 什麼是梯度遞減 231
9.8 梯度遞減的線性回歸實戰 235
9.9 什麼是隨機梯度遞減 238
9.10 利用SGD解決線性回歸實戰 240
9.11 本章小結 247
9.12 請你思考 248
參考資料 248
第10章 BP算法雙向傳,鏈式求導最纏綿 249
10.1 BP算法極簡史 250
10.2 正向傳播信息 251
10.3 求導中的鏈式法則 255
10.4 誤差反向傳播 264
10.4.1 基於隨機梯度下降的BP算法 265
10.4.2 輸出層神經元的權值訓練 267
10.4.3 隱含層神經元的權值訓練 270
10.4.4 BP算法的感性認知 273
10.4.5 關於BP算法的補充說明 278
10.5 BP算法實戰詳細解釋 280
10.5.1 初始化網路 280
10.5.2 信息前向傳播 282
10.5.3 誤差反向傳播 285
10.5.4 訓練網路(解決異或問題) 288
10.5.5 利用BP算法預測小麥品種的分類 293
10.6 本章小結 301
10.7 請你思考 302
參考資料 304
第11章 一騎紅塵江湖笑,TensorFlow谷歌造 305
11.1 TensorFlow概述 306
11.2 深度學習框架比較 309
11.2.1 Theano 309
11.2.2 Keras 310
11.2.3 Caffe 311
11.2.4 PyTorch 312
11.3 TensorFlow的安裝 313
11.3.1 Anaconda的安裝 313
11.3.2 TensorFlow的CPU版本安裝 315
11.3.3 TensorFlow的源碼編譯 323
11.4 Jupyter Notebook的使用 331
11.4.1 Jupyter Notebook的由來 331
11.4.2 Jupyter Notebook的安裝 333
11.5 TensorFlow中的基礎語法 337
11.5.1 什麼是數據流圖 338
11.5.2 構建第一個TensorFlow數據流圖 339
11.5.3 可視化展現的TensorBoard 342
11.5.4 TensorFlow的張量思維 346
11.5.5 TensorFlow中的數據類型 348
11.5.6 TensorFlow中的操作類型 353
11.5.7 TensorFlow中的Graph對象 356
11.5.8 TensorFlow中的Session 358
11.5.9 TensorFlow中的placeholder 361
11.5.10 TensorFlow中的Variable對象 363
11.5.11 TensorFlow中的名稱作用域 365
11.5.12 張量的Reduce方向 367
11.6 手寫數字識別MNIST 372
11.6.1 MNIST數據集簡介 373
11.6.2 MNIST數據的獲取與預處理 375
11.6.3 分類模型的構建—Softmax Regression 378
11.7 TensorFlow中的Eager執行模式 394
11.7.1 Eager執行模式的背景 394
11.7.2 Eager執行模式的安裝 395
11.7.3 Eager執行模式的案例 395
11.7.4 Eager執行模式的MNIST模型構建 398
11.8 本章小結 401
11.9 請你思考 402
參考資料 403
第12章 全面連線困何處,卷積網路顯神威 404
12.1 卷積神經網路的歷史 405
12.1.1 眼在何方?路在何方? 405
12.1.2 卷積神經網路的歷史脈絡 406
12.1.3 那場著名的學術賭局 410
12.2 卷積神經網路的概念 412
12.2.1 卷積的數學定義 412
12.2.2 生活中的卷積 413
12.3 圖像處理中的卷積 414
12.3.1 計算機“視界”中的圖像 414
12.3.2 什麼是卷積核 415
12.3.3 卷積在圖像處理中的套用 418
12.4 卷積神經網路的結構 420
12.5 卷積層要義 422
12.5.1 卷積層的設計動機 422
12.5.2 卷積層的局部連線 427
12.5.3 卷積層的3個核心概念 428
12.6 細說激活層 434
12.7 詳解池化層 442
12.8 勿忘全連線層 445
12.9 本章小結 446
12.10 請你思考 447
參考資料 448
第13章 紙上談兵終覺淺,絕知卷積要編程 450
13.1 TensorFlow的CNN架構 451
13.2 卷積層的實現 452
13.3 激活函式的使用 460
13.4 池化層的實現 466
13.5 規範化層 470
13.6 卷積神經網路在MNIST分類器中的套用 480
13.7 經典神經網路——AlexNet的實現 488
13.8 本章小結 495
13.9 請你思考 496
參考資料 496
第14章 循環遞歸RNN,序列建模套路深 498
14.1 你可能不具備的一種思維 499
14.2 標準神經網路的缺陷所在 501
14.3 RNN簡史 502
14.4 RNN的理論基礎 506
14.5 RNN的結構 509
14.6 循環神經網路的訓練 512
14.7 基於RNN的TensorFlow實戰——正弦序列預測 514
14.8 本章小結 524
14.9 請你思考 524
參考資料 525
第15章 LSTM長短記,長序依賴可追憶 526
15.1 遺忘是好事還是壞事 527
15.2 施密德胡伯是何人 527
15.3 為什麼需要LSTM 529
15.4 拆解LSTM 530
15.5 LSTM的前向計算 533
15.6 LSTM的訓練流程 539
15.7 自然語言處理的一個假設 540
15.8 詞向量表示方法 542
15.9 自然語言處理的統計模型 549
15.10 基於Penn Tree Bank的自然語言處理實戰 560
15.11 本章小結 579
15.12 請你思考 580
參考資料 580
第16章 卷積網路雖動人,膠囊網路更傳“神” 583
16.1 從神經元到神經膠囊 584
16.2 卷積神經網路面臨的挑戰 584
16.3 神經膠囊的提出 588
16.4 神經膠囊理論初探 591
16.5 神經膠囊的實例化參數 594
16.6 神經膠囊的工作流程 598
16.7 CapsNet的驗證與實驗 614
16.8 神經膠囊網路的TensorFlow實現 618
16.9 本章小結 644
16.10 請你思考 645
16.11 深度學習美在何處 646
參考資料 647
後記 648
索引 651