Python深度学习 - (EPUB全文下载)

文件大小：8.82 mb。
文件格式：epub 格式。
书籍内容：

版权信息
书名：Python深度学习
作者：[美] 弗朗索瓦 • 肖莱
译者：张亮
ISBN：978-7-115-48876-3
本书由北京图灵文化发展有限公司发行数字版。版权所有，侵权必究。
您购买的图灵电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。
我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。
如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。
091507240605ToBeReplacedWithUserId
版权声明
前言
致谢
关于本书
谁应该阅读这本书
学习路线图
软件 / 硬件需求
源代码
本书论坛
电子书
关于封面
第一部分　深度学习基础
第 1 章　什么是深度学习
1.1　人工智能、机器学习与深度学习
1.1.1　人工智能
1.1.2　机器学习
1.1.3　从数据中学习表示
1.1.4　深度学习之“深度”
1.1.5　用三张图理解深度学习的工作原理
1.1.6　深度学习已经取得的进展
1.1.7　不要相信短期炒作
1.1.8　人工智能的未来
1.2　深度学习之前：机器学习简史
1.2.1　概率建模
1.2.2　早期神经网络
1.2.3　核方法
1.2.4　决策树、随机森林与梯度提升机
1.2.5　回到神经网络
1.2.6　深度学习有何不同
1.2.7　机器学习现状
1.3　为什么是深度学习，为什么是现在
1.3.1　硬件
1.3.2　数据
1.3.3　算法
1.3.4　新的投资热潮
1.3.5　深度学习的大众化
1.3.6　这种趋势会持续吗
第 2 章　神经网络的数学基础
2.1　初识神经网络
2.2　神经网络的数据表示
2.2.1　标量（0D 张量）
2.2.2　向量（1D 张量）
2.2.3　矩阵（2D 张量）
2.2.4　3D 张量与更高维张量
2.2.5　关键属性
2.2.6　在 Numpy 中操作张量
2.2.7　数据批量的概念
2.2.8　现实世界中的数据张量
2.2.9　向量数据
2.2.10　时间序列数据或序列数据
2.2.11　图像数据
2.2.12　视频数据
2.3　神经网络的“齿轮”：张量运算
2.3.1　逐元素运算
2.3.2　广播
2.3.3　张量点积
2.3.4　张量变形
2.3.5　张量运算的几何解释
2.3.6　深度学习的几何解释
2.4　神经网络的“引擎”：基于梯度的优化
2.4.1　什么是导数
2.4.2　张量运算的导数：梯度
2.4.3　随机梯度下降
2.4.4　链式求导：反向传播算法
2.5　回顾第一个例子
本章小结
第 3 章　神经网络入门
3.1　神经网络剖析
3.1.1　层：深度学习的基础组件
3.1.2　模型：层构成的网络
3.1.3　损失函数与优化器：配置学习过程的关键
3.2　Keras 简介
3.2.1　Keras、TensorFlow、Theano 和 CNTK
3.2.2　使用 Keras 开发：概述
3.3　建立深度学习工作站
3.3.1　Jupyter 笔记本：运行深度学习实验的首选方法
3.3.2　运行 Keras：两种选择
3.3.3　在云端运行深度学习任务：优点和缺点
3.3.4　深度学习的最佳 GPU
3.4　电影评论分类：二分类问题
3.4.1　IMDB 数据集
3.4.2　准备数据
3.4.3　构建网络
3.4.4　验证你的方法
3.4.5　使用训练好的网络在新数据上生成预测结果
3.4.6　进一步的实验
3.4.7　小结
3.5　新闻分类：多分类问题
3.5.1　路透社数据集
3.5.2　准备数据
3.5.3　构建网络
3.5.4　验证你的方法
3.5.5　在新数据上生成预测结果
3.5.6　处理标签和损失的另一种方法
3.5.7　中间层维度足够大的重要性
3.5.8　进一步的实验
3.5.9　小结
3.6　预测房价：回归问题
3.6.1　波士顿房价数据集
3.6.2　准备数据
3.6.3　构建网络
3.6.4　利用 K 折验证来验证你的方法
3.6.5　小结
本章小结
第 4 章　机器学习基础
4.1　机器学习的四个分支
4.1.1　监督学习
4.1.2　无监督学习
4.1.3　自监督学习
4.1.4　强化学习
4.2　评估机器学习模型
4.2.1　训练集、验证集和测试集
4.2.2　评估模型的注意事项
4.3　数据预处理、特征工程和特征学习
4.3.1　神经网络的数据预处理
4.3.2　特征工程
4.4　过拟合与欠拟合
4.4.1　减小网络大小
4.4.2　添加权重正则化
4.4.3　添加 dropout 正则化
4.5　机器学习的通用工作流程
4.5.1　定义问题，收集数据集
4.5.2　选择衡量成功的指标
4.5.3　确定评估方法
4.5.4　准备数据
4.5.5　开发比基准更好的模型
4.5.6　扩大模型规模：开发过拟合的模型
4.5.7　模型正则化与调节超参数
本章小结
第二部分　深度学习实践
第 5 章　深度学习用于计算机视觉
5.1　卷积神经网络简介
5.1.1　卷积运算
5.1.2　最大池化运算
5.2　在小型数据集上从头开始训练一个卷积神经网络
5.2.1　深度学习与小数据问题的相关性
5.2.2　下载数据
5.2.3　构建网络
5.2.4　数据预处理
5.2.5　使用数据增强
5.3　使用预训练的卷积神经网络
5.3.1　特征提取
5.3.2　微调模型
5.3.3　小结
5.4　卷积神经网络的可视化
5.4.1　可视化中间激活
5.4.2　可视化卷积神经网络的过滤器
5.4.3　可视化类激活的热力图
本章小结
第 6 章　深度学习用于文本和序列
6.1　处理文本数据
6.1.1　单词和字符的 one-hot 编码
6.1.2　使用词嵌入
6.1.3　整合在一起：从原始文本到词嵌入
6.1.4　小结
6.2　理解循环神经网络
6.2.1　Keras 中的循环层
6.2.2　理解 LSTM 层和 GRU 层
6. ............

书籍插图：

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。