深度学习入门之PyTorch - (EPUB全文下载)

文件大小：1.05 mb。
文件格式：epub 格式。
书籍内容：

深度学习入门之PyTorch
第1章 深度学习介绍
第2章 深度学习框架
第3章 多层全连接神经网络
第4章 卷积神经网络
第5章 循环神经网络
第6章 生成对抗网络
第7章 深度学习实战
第1章 深度学习介绍
自古以来，发明家们都梦想着能够创造有思想的机器人，当电脑问世之后，人们一直想知道它们是否可以变得更加智能。如今人工智能成为一个有着无限商业价值和研究价值的领域，人们也看到了人工智能在图像、语音、自然语言上取得的巨大成功。
这一章，我们将简要地介绍一下人工智能及其重要性，以及什么是数据挖掘、机器学习和深度学习，并介绍它们彼此之间的联系与区别，其中会重点介绍深度学习，最后给出一些合理可行的学习建议，帮助大家从零开始进入深度学习这个充满魔力的领域。
1.1 人工智能
人工智能（Artificial Intelligence），也称为机器智能，是指由人工制造出来的系统所表现的智能，所谓的智能，即指可以观察周围环境并据此做出行动以达到目的。
在人工智能的早期，那些对人类智力来说非常困难、但对计算机来说相对简单的问题迅速得到解决，比如，那些可以通过一系列形式化的数学规则来描述的问题。AI的真正挑战在于解决那些对人来说很容易执行、但很难形式化描述的任务，比如，识别人们所说的话或图像中的脸。对于这些问题，我们人类往往可以凭借直觉轻易地解决，因为我们已经在上万年的进化中形成了这些直觉性的能力，但是机器却很难找到实现的方法。
长久以来人们一直相信人工智能是存在的，但是却不知道如何实现。以前的科幻电影总会融入人工智能，比如《星球大战》《终结者》《骇客帝国》，等等。电影的渲染使我们总觉得人工智能缺乏真实感，或者总将人工智能和机器人联系在一起。其实我们身边早已实现了一些弱人工智能，只是因为人工智能听起来很神秘，所以我们往往没有意识到。
首先，不要一提到人工智能就想到机器人。机器人只是人工智能的一种容器，如果将人工智能比作大脑，那么机器人就好似身体——然而这个身体却不是必需的，比如现在很火的AlphaGo，其背后充满着软件、算法和数据，它下围棋是一种人格化的体现，然而其本身并没有“机器人”这个硬件形式。
人工智能的概念很宽泛，现在根据人工智能的实力将它分成三大类。
（1）弱人工智能（Artificial Narrow Intelligence，ANI）
弱人工智能是擅长于单个方面的人工智能。比如战胜世界围棋冠军的人工智能Al-phaGo，它只会下围棋，如果你让他辨识一下猫和狗，它就不知道怎么做了。我们现在实现的几乎全是弱人工智能。
（2）强人工智能（Artificial General Intelligence，AGI）
这是类似人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活，它都能干。创造强人工智能比创造弱人工智能难得多，我们现在还做不到。Linda Gottfredson教授把智能定义为“一种宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。”强人工智能在进行这些操作时应该和人类一样得心应手。
（3）超人工智能（Artificial Superintelligence，ASI）
牛津哲学家、知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。”超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的。
我们现在处于一个充满弱人工智能的世界，比如垃圾邮件分类系统，是一个可以帮助我们筛选垃圾邮件的弱人工智能；Google翻译是一个可以帮助我们翻译英文的弱人工智能；AlphaGo是一个可以战胜世界围棋冠军的弱人工智能，等等。这些弱人工智能算法不断地加强创新，每一个弱人工智能的创新，都是在给通往强人工智能和超人工智能的旅途添砖加瓦。正如人工智能科学家Aaron Saenz所说，现在的弱人工智能就像地球早期软泥中的氨基酸，可能突然之间就形成了生命。
1.2 数据挖掘、机器学习与深度学习
大数据的兴起使得数据科学家作为一种新生职业被提出，数据研究高级科学家Rachel Schutt将其定义为“计算机科学家、软件工程师和统计学家的混合体”。数据挖掘作为一个学术领域，横跨多个学科，涵盖但不限于统计学、数学、机器学习和数据库，此外还运用在各类专业领域，比如油田、电力、海洋生物、历史文本、图像、电子通信等。
1.2.1 数据挖掘
简单来说，数据挖掘就是在大型的数据库中发现有用的信息，并加以分析的过程，也就是人们所说的KDD（knowledge discovery in database）。一个数据的处理过程，就是从输入数据开始，对数据进行预处理，包括特征选择、规范化、降低维数、数据提升等，然后进行数据的分析和挖掘，再经过处理，例如模式识别、可视化等，最后形成可用信息的全过程。
所以说数据挖掘只是一种概念，即从数据中挖掘到有意义的信息，从大量的数据中寻找数据之间的特性。
1.2.2 机器学习
机器学习算是实现人工智能的一种途径，它和数据挖掘有一定的相似性，也是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。对比于数据挖掘从大数据之间找相互特性而言，机器学习更加注重算法的设计，让计算机能够自动地从数据中“学习”规律，并利用规律对未知数据进行预测。因为学习算法涉及了大量的统计学理论，与统计推断联系尤为紧密，所以也被称为统计学习方法。
机器学习可以分为以下五个大类：
（1）监督学习：从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归与分类。
（2）无监督学习：无监督学习与监督学习相比，训练集没有人为标注的结果。常见的无监督学习算法有聚类等。
（3）半监督学习：这是一种介于监督学习 ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。