《Python深度學習原理、算法與案例》是一本清華大學出版社出版的圖書，作者鄧立國、李劍鋒、林慶發、鄧淇文。
本書講述了機器學習的基礎知識、深度學習的理論基礎和算法，以及常見套用場景及其Python實現。案例實踐的講解包含：算法分析、項目套用目的與效果、模型構建、數據準備與預處理、模型訓練和預測，以及代碼實現、問題分析和實驗對比。所有示例均配有原始碼與數據。
基本介紹
- 中文名：《Python深度學習原理、算法與案例》
- 作者：鄧立國、李劍鋒、林慶發、鄧淇文
- 類別：信息技術
- 出版社：清華大學出版社
- 出版時間：2023年5月1日
- 定價：119 元
- 開本：16 開
- 裝幀：平裝
- ISBN：9787302628774
內容簡介,圖書目錄,作者簡介,
內容簡介
本書涵蓋深度學習的專業基礎理論知識，包括深度學習概述、機器學習基礎、神經網路基礎、卷積神經網路、循環神經網路、正則化與深度學習最佳化，以及比較流行的套用場景實踐。本書配套70個示例源碼及PPT課件。
本書共11章外加3個附錄，系統講解深度學習的基礎知識與領域套用實踐。本書內容包括深度學習概述、機器學習基礎、神經網路基礎、卷積神經網路和循環神經網路、正則化與深度學習最佳化、計算機視覺套用、目標檢測套用、文本分析套用、深度強化學習套用、TensorFlow模型套用、Transformer模型套用等。附錄中還給出機器學習和深度學習中用到的數學基礎知識，包括線性代數、機率論和資訊理論等。
本書適合Python深度學習初學者、深度學習算法開發人員學習，也適合作為高等院校計算機技術、人工智慧、大數據相關專業的教材或教學參考書。
圖書目錄
第1章 深度學習概述 1
1.1 人工智慧 1
1.2 機器學習 2
1.2.1 機器學習定義 2
1.2.2 機器學習流派 3
1.2.3 機器學習簡史 6
1.2.4 機器學習流程 7
1.3 深度學習 9
1.4 深度學習的套用場景 10
1.4.1 技術類型 10
1.4.2 套用場景 11
1.5 本章小結 12
1.6 複習題 12
參考文獻 13
第2章 機器學習基礎 14
2.1 基本概念 14
2.2 機器學習的三要素 15
2.2.1 模型 16
2.2.2 學習準則 17
2.2.3 最佳化算法 21
2.3 數據分析 23
2.3.1 描述性統計分析 23
2.3.2 相關分析 23
2.3.3 回歸分析 25
2.3.4 分類分析 26
2.3.5 聚類分析 26
2.4 估計、偏差和方差 27
2.4.1 點估計 27
2.4.2 偏差 28
2.4.3 方差和標準差 30
2.5 最大似然估計 31
2.5.1 條件對數似然和均方誤差 32
2.5.2 最大似然的性質 33
2.6 特徵工程 34
2.6.1 數據預處理 34
2.6.2 特徵選擇 39
2.6.3 降維 44
2.7 本章小結 46
2.8 複習題 47
參考文獻 47
第3章 神經網路基礎 48
3.1 神經網路概述 48
3.1.1 神經網路簡史 48
3.1.2 神經網路基礎理論 49
3.2 線性神經網路 56
3.3 感知機 64
3.3.1 感知機模型 64
3.3.2 多層感知機 69
3.4 支持向量機 75
3.4.1 支持向量機的原理 75
3.4.2 線性支持向量機分類 81
3.4.3 非線性支持向量機分類 86
3.4.4 支持向量機回歸 93
3.5 本章小結 96
3.6 複習題 96
參考文獻 96
第4章 卷積神經網路和循環神經網路 98
4.1 卷積神經網路 98
4.1.1 卷積 100
4.1.2 卷積神經網路 102
4.1.3 幾種典型的卷積神經網路 107
4.2 循環神經網路 117
4.2.1 循環神經網路的結構 118
4.2.2 循環神經網路的數學基礎 119
4.2.3 循環神經網路的計算能力 120
4.2.4 長短期記憶網路 121
4.2.5 門控循環單元 125
4.2.6 雙向循環神經網路 130
4.2.7 深度循環神經網路 132
4.2.8 循環神經網路圖結構 133
4.3 本章小結 135
4.4 複習題 136
參考文獻 136
第5章 正則化與深度學習最佳化 137
5.1 正則化 137
5.1.1 訓練誤差和泛化誤差 137
5.1.2 數據集增強 138
5.1.3 提前終止 138
5.1.4 Dropout 139
5.2 網路最佳化 142
5.3 最佳化算法 143
5.3.1 小批量梯度下降 143
5.3.2 批量大小選擇 144
5.3.3 學習率調整 144
5.4 深度學習中的正則化 154
5.4.1 L1和L2正則化 155
5.4.2 權重衰減 156
5.4.3 提前終止 156
5.4.4 Dropout 160
5.4.5 數據增強 165
5.4.6 對抗訓練 165
5.5 本章小結 169
5.6 複習題 170
參考文獻 170
第6章 深度學習用於計算機視覺 171
6.1 計算機視覺與深度學習概述 171
6.1.1 計算機視覺的任務 172
6.1.2 傳統計算機視覺面臨的挑戰 175
6.1.3 深度學習在計算機視覺領域的研究發展 177
6.1.4 深度學習在計算機視覺領域的套用 178
6.2 計算機視覺套用基礎 182
6.2.1 圖像數據的基本操作 182
6.2.2 常用的卷積神經網路的搭建 186
6.3 套用案例：基於LeNet-5的手寫數字識別 196
6.3.1 MNIST數據集簡介 196
6.3.2 載入和預處理數據 197
6.3.3 創建LeNet-5模型 198
6.3.4 編譯和訓練模型 200
6.3.5 使用模型進行預測 202
6.3.6 主流程及完整代碼 206
6.4 本章小結 206
6.5 複習題 206
參考文獻 207
第7章 深度學習用於目標檢測 208
7.1 目標檢測的概念 208
7.2 Faster R-CNN 209
7.3 YOLO 214
7.4 SSD 218
7.5 套用案例：基於YOLO的目標檢測 220
7.5.1 基於Darknet的YOLO實現目標檢測 220
7.5.2 基於Keras-YOLO實現目標檢測 222
7.6 本章小結 229
7.7 複習題 229
參考文獻 229
第8章 深度學習用於文本分析 230
8.1 自然語言處理與文本分析 230
8.1.1 文本分析的常見任務 230
8.1.2 自然語言處理技術簡介 232
8.2 套用案例：基於Encoder-Decoder模型的機器翻譯 239
8.2.1 Encoder-Decoder模型介紹 239
8.2.2 訓練數據準備 240
8.2.3 數據預處理 241
8.2.4 模型創建 243
8.2.5 模型訓練 245
8.2.6 模型預測 246
8.2.7 主流程代碼 247
8.3 本章小結 248
8.4 複習題 248
參考文獻 249
第9章 深度強化學習的套用 250
9.1 什麼是深度強化學習 250
9.2 強化學習的套用實例 251
9.3 強化學習的基本概念 252
9.4 強化學習的算法簡介 254
9.4.1 算法分類 254
9.4.2 問題求解步驟 255
9.4.3 Q-Learning 256
9.4.4 DQN 256
9.5 套用案例：使用DQN算法學習玩CartPole遊戲 257
9.5.1 CartPole遊戲介紹 257
9.5.2 OpenAI Gym介紹 258
9.5.3 基於DQN的智慧型體實現 258
9.5.4 智慧型體強化訓練 260
9.5.5 訓練結果 262
9.6 本章小結 263
9.7 複習題 263
參考文獻 263
第10章 TensorFlow模型的套用 264
10.1 TensorFlow簡介 264
10.2 TensorFlow入門 265
10.2.1 TensorFlow的靜態圖模式 265
10.2.2 TensorFlow的Graph和Session 274
10.2.3 TensorFlow的動態圖模式 277
10.2.4 TensorFlow的損失函式 279
10.2.5 TensorFlow的最佳化器 281
10.2.6 TensorFlow訓練數據輸入 284
10.3 套用案例：基於LeNet的手寫數字識別 287
10.3.1 MNIST 數據集簡介 287
10.3.2 LeNet的實現與講解 288
10.3.3 FashionMNIST數據集 296
10.4 套用案例：圖像多標籤分類實例 297
10.4.1 使用TFRecord生成訓練數據 297
10.4.2 構建多標籤分類網路 298
10.4.3 多標籤訓練模型 300
10.5 本章小結 301
10.6 複習題 301
參考文獻 302
第11章 Transformer模型的套用 303
11.1 模型 303
11.2 基於位置的前饋網路 304
11.3 殘差連線和層歸一化 305
11.4 編碼器 306
11.5 解碼器 307
11.6 套用案例：英語-法語機器翻譯實例 310
11.7 本章小結 313
11.8 複習題 313
參考文獻 313
附錄A 線性代數 314
A.1 標量、向量、矩陣和張量 314
A.2 向量空間 316
A.3 範數 317
A.4 矩陣 318
A.4.1 線性映射 318
A.4.2 矩陣操作 319
A.4.3 矩陣類型 321
A.4.4 矩陣分解 322
附錄B 機率論 323
B.1 機率論 323
B.2 事件和機率 323
B.2.1 隨機變數 324
B.2.2 離散隨機變數 324
B.2.3 連續隨機變數 325
B.2.4 累積分布函式 326
B.2.5 隨機向量 326
B.2.6 連續隨機向量 327
B.2.7 邊際分布 327
B.2.8 條件機率分布 328
B.2.9 貝葉斯定理 328
B.2.10 獨立與條件獨立 329
B.2.11 期望和方差 329
B.3 隨機過程 330
B.3.1 馬爾可夫過程 330
B.3.2 馬爾可夫鏈 331
B.3.3 高斯過程 331
附錄C 資訊理論 333
C.1 熵 333
C.1.1 自信息和熵 333
C.1.2 熵編碼 334
C.1.3 聯合熵和條件熵 334
C.2 互信息 334
C.3 交叉熵和散度 335
C.3.1 交叉熵 335
C.3.2 KL散度 335
C.3.3 JS散度 335
C.3.4 Wasserstein距離 336
作者簡介
鄧立國，東北大學計算機套用博士，廣東工業大學教師。主要研究方向為數據挖掘、知識工程、大數據處理、雲計算、分散式計算等。著有圖書《scikit-learn機器學習實戰》《Python數據分析與挖掘實戰》《Python大數據分析算法與實例》《Python機器學習算法與套用》《資料庫原理與套用（SQL Server 2016版本）》。
