《Python深度學習從原理到套用》是2021年人民郵電出版社出版的圖書，作者是[美]瓦倫帝諾·佐卡。
基本介紹
- 中文名：Python深度學習從原理到套用
- 作者：[美]瓦倫帝諾·佐卡
- 出版時間：2021年3月1日
- 出版社：人民郵電出版社
- 頁數：286 頁
- ISBN：9787115551160
- 類別：深度學習與神經網路
- 定價：89.90 元
- 開本：128 開
- 裝幀：平裝
內容簡介,作者簡介,圖書目錄,
內容簡介
本書藉助現實案例介紹深度學習算法的實際套用（包括*實踐），旨在幫助讀者了解如何識別和提取信息，以提高預測準確率及最佳化結果。
本書共10章，分別是機器學習—引言、神經網路、深度學習基本原理、無監督特徵學習、圖像識別、遞歸神經網路和語言模型、深度學習在棋盤遊戲中的套用、深度學習在電子遊戲中的套用、異常檢測和構建一個可用於生產環境的入侵檢測系統。
本書適合想深入研究深度學習算法和技術的讀者學習，也適合想探究如何從這項強大技術中學到更多知識的讀者參考。
作者簡介
Valentino Zocca本科畢業於羅馬大學數學系，博士畢業於美國馬里蘭大學，獲得數學博士學位。他在設計、開發和實現高級立體3D地球可視化軟體方面有著深厚的經驗。他在波音公司開發了許多數學算法和預測模型，並自動化了幾個衛星圖像的可視化程式。此後，他成為機器學習和深度學習方面的專家，曾在米蘭和紐約舉辦了關於機器學習和深度學習的研討會。
圖書目錄
第 1章 機器學習—引言 1
1.1 什麼是機器學習 1
1.2 不同的機器學習方法 2
1.2.1 監督學習 2
1.2.2 無監督學習 4
1.2.3 強化學習 6
1.2.4 機器學習系統所涉及的步驟 7
1.2.5 關於流行技術/算法的簡介 9
1.2.6 在現實生活中的套用 19
1.2.7 流行開源包 21
1.3 小結 26
第 2章 神經網路 27
2.1 為什麼是神經網路 27
2.2 基本原理 28
2.2.1 神經元以及層 29
2.2.2 不同類型的激活函式 33
2.3 反向傳播算法 37
2.3.1 線性回歸 37
2.3.2 邏輯回歸 39
2.3.3 反向傳播 41
2.4 行業套用 44
2.4.1 信號處理 44
2.4.2 醫療 44
2.4.3 自動汽車駕駛 44
2.4.4 商業 45
2.4.5 模式識別 45
2.4.6 語音生成 45
2.5 異或函式的神經網路代碼示例 45
2.6 小結 50
第3章 深度學習基本原理 52
3.1 什麼是深度學習 52
3.1.1 基本概念 54
3.1.2 特徵學習 55
3.1.3 深度學習算法 62
3.2 深度學習套用 63
3.2.1 語音識別 63
3.2.2 對象識別與分類 65
3.3 圖形處理單元與中央處理單元 67
3.4 流行開源庫—引言 69
3.4.1 Theano 69
3.4.2 TensorFlow 69
3.4.3 Keras 70
3.4.4 使用Keras的簡單深度神經
網路代碼 70
3.5 小結 75
第4章 無監督特徵學習 76
4.1 自編碼器 77
4.1.1 網路設計 80
4.1.2 用於自編碼器的正則化技術 83
4.1.3 自編碼器概述 87
4.2 受限玻爾茲曼機 87
4.2.1 霍普菲爾德網路與
玻爾茲曼機 89
4.2.2 玻爾茲曼機 91
4.2.3 受限玻爾茲曼機 93
4.2.4 在TensorFlow中的實現 94
4.2.5 深度信念網路 98
4.3 小結 99
第5章 圖像識別 102
5.1 人工模型與生物模型的相似性 102
5.2 直觀認識與合理性 103
5.3 卷積層 104
5.4 池化層 111
5.5 dropout層 112
5.6 深度學習中的卷積層 113
5.7 Theano中的卷積層 114
5.8 用Keras來識別數字的卷積層
示例 115
5.9 將Keras用於cifar10的卷積層
示例 118
5.10 預訓練 120
5.11 小結 121
第6章 遞歸神經網路和語言模型 123
6.1 遞歸神經網路 123
6.1.1 RNN—如何實施和訓練 125
6.1.2 長短期記憶 130
6.2 語言建模 133
6.2.1 基於單詞的語言模型 133
6.2.2 基於字元的語言模型 138
6.3 語音識別 144
6.3.1 語音識別管線 144
6.3.2 作為輸入數據的語音 145
6.3.3 預處理 146
6.3.4 聲學模型 147
6.3.5 解碼 149
6.3.6 端到端模型 150
6.4 小結 150
6.5 拓展閱讀 150
第7章 深度學習在棋盤遊戲中的
套用 154
7.1 早期遊戲AI 155
7.2 用小-算法評估遊戲狀態 156
7.3 實現Python井字遊戲 158
7.4 學習價值函式 166
7.5 訓練AI掌握圍棋 167
7.6 套用於樹結構的置信上限 169
7.7 蒙特卡羅樹搜尋中的深度學習 176
7.8 快速複習強化學習 177
7.9 用於學習策略函式的策略梯度 177
7.10 AlphaGo中的策略梯度 185
7.11 小結 186
第8章 深度學習在電子遊戲中的
套用 188
8.1 套用於遊戲的監督學習算法 188
8.2 遺傳算法在遊戲中的套用 189
8.3 Q-learning算法 190
8.4 Q-learning算法在動作中的套用 192
8.5 動態遊戲 197
8.5.1 經驗回放 200
8.5.2 Epsilon貪婪算法 203
8.6 《雅達利打磚塊》遊戲 204
8.6.1 《雅達利打磚塊》遊戲的
隨機基準 205
8.6.2 預處理螢幕 207
8.6.3 創建一個深度卷積網路 208
8.6.4 Q-learning算法中的收斂
問題 213
8.6.5 策略梯度與Q-learning算法 214
8.7 actor-critic算法 215
8.7.1 方差縮減基線 216
8.7.2 通用優勢估計器 216
8.8 異步算法 217
8.9 基於模型的算法 218
8.10 小結 220
第9章 異常檢測 221
9.1 什麼是異常檢測和異常點檢測 221
9.2 異常檢測的現實套用 224
9.3 流行的淺層機器學習技術 225
9.3.1 數據建模 225
9.3.2 檢測建模 225
9.4 基於深度自編碼器的異常檢測 227
9.5 開始使用H2O 229
9.6 示例 230
9.6.1 MNIST數字異常識別 230
9.6.2 心電圖脈衝檢測 238
9.7 小結 243
第 10章 構建一個可用於生產環境的
入侵檢測系統 244
10.1 什麼是數據產品 245
10.2 訓練 246
10.2.1 權值初始化 246
10.2.2 使用HOGWILD!的並行
隨機梯度下降算法 248
10.2.3 自適應學習 250
10.2.4 學習率退火 250
10.2.5 動量法 251
10.2.6 Nesterov加速法 251
10.2.7 牛頓疊代法 252
10.2.8 Adagrad算法 253
10.2.9 Adadelta算法 253
10.2.10 通過Map/Reduce實現
分散式學習 255
10.2.11 Sparkling Water 258
10.3 測試 260
10.3.1 模型驗證 266
10.3.2 有標記數據 267
10.3.3 無標記數據 269
10.3.4 驗證總結 272
10.3.5 超參數調優 272
10.3.6 端到端評估 275
10.3.7 A/B測試 277
10.3.8 測試總結 278
10.4 部署 279
10.4.1 POJO模型導出 280
10.4.2 異常得分API 283
10.4.3 部署總結 285
10.5 小結 285
