基本介紹
- 書名:Python深度學習
- 作者:[美] 弗朗索瓦•肖萊
- 譯者:張亮
- ISBN:9787115488763
- 出版社:人民郵電出版社
- 出版時間: 2018-08
出版信息
內容簡介
作者簡介
目錄
第1章 什麼是深度學習 2
1.1 人工智慧、機器學習與深度學習 2
1.1.1 人工智慧 3
1.1.2 機器學習 3
1.1.3 從數據中學習表示 4
1.1.4 深度學習之“深度” 6
1.1.5 用三張圖理解深度學習的工作原理 7
1.1.6 深度學習已經取得的進展 9
1.1.7 不要相信短期炒作 9
1.1.8 人工智慧的未來 10
1.2 深度學習之前:機器學習簡史 11
1.2.1 機率建模 11
1.2.2 早期神經網路 11
1.2.3 核方法 12
1.2.4 決策樹、隨機森林與梯度提升機 13
1.2.5 回到神經網路 14
1.2.6 深度學習有何不同 14
1.2.7 機器學習現狀 15
1.3 為什麼是深度學習,為什麼是現 在 15
1.3.1 硬體 16
1.3.2 數據 17
1.3.3 算法 17
1.3.4 新的投資熱潮 17
1.3.5 深度學習的大眾化 18
1.3.6 這種趨勢會持續嗎 18
第2章 神經網路的數學基礎 20
2.1 初識神經網路 20
2.2 神經網路的數據表示 23
2.2.1 標量(0D張量) 23
2.2.2 向量(1D張量) 24
2.2.3 矩陣(2D張量) 24
2.2.4 3D張量與更高維張量 24
2.2.5 關鍵屬性 25
2.2.6 在Numpy中操作張量 26
2.2.7 數據批量的概念 27
2.2.8 現實世界中的數據張量 27
2.2.9 向量數據 27
2.2.10 時間序列數據或序列數據 28
2.2.11 圖像數據 28
2.2.12 視頻數據 29
2.3 神經網路的“齒輪”:張量運算 29
2.3.1 逐元素運算 30
2.3.2 廣播 31
2.3.3 張量點積 32
2.3.4 張量變形 34
2.3.5 張量運算的幾何解釋 34
2.3.6 深度學習的幾何解釋 35
2.4 神經網路的“引擎”:基於梯度的最佳化 36
2.4.1 什麼是導數 37
2.4.2 張量運算的導數:梯度 38
2.4.3 隨機梯度下降 38
2.4.4 鏈式求導:反向傳播算法 41
2.5 回顧第一個例子 41
本章小結 42