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,
出版信息
作者:[美] 弗朗索瓦·肖萊
出版社:人民郵電出版社
原作名:Deep Learning with Python
譯者:張亮
出版年:2018-8
頁數:320
定價:119.00元
裝幀:平裝
叢書:圖靈程式設計叢書
ISBN:9787115488763
內容簡介
本書由Keras之父、現任Google人工智慧研究員的弗朗索瓦·肖萊（François Chollet）執筆，詳盡介紹了用Python和Keras進行深度學習的探索實踐，涉及計算機視覺、自然語言處理、生成式模型等套用。書中包含30多個代碼示例，步驟講解詳細透徹。由於本書立足於人工智慧的可達性和大眾化，讀者無須具備機器學習相關背景知識即可展開閱讀。在學習完本書後，讀者將具備搭建自己的深度學習環境、建立圖像識別模型、生成圖像和文字等能力。
作者簡介
【作者簡介】
[美] 弗朗索瓦·肖萊（François Chollet），
Keras之父，TensorFlow機器學習框架貢獻者，Kaggle競賽教練，個人Kaggle競賽全球排名曾獲得第17名。目 前任職於Google，從事人工智慧研究，尤其關注計算機視覺與機器學習在形式推理方面的套用。
【譯者簡介】
張亮（hysic）
畢業於北京大學物理學院，愛好機器學習和數據分析的核安全工程師，譯有《Python數據處理》《Python機器學習基礎教程》等。
目錄
第一部分 深度學習基礎
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
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
