| 作者 |
| [智]巴勃罗·里瓦斯(Pablo Rivas) |
| 丛书名 |
| 智能系统与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111695226 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书分为三部分。第1部分将帮助你快速理解从数据中学习、深度学习基本架构、如何准备数据，以及深度学习中经常使用的基本概念。第二部分将重点介绍无监督学习算法。从自编码器开始，然后转向层数更深、规模更大的神经网络模型。第三部分介绍监督学习算法，你将掌握基本和高级深度学习模型的实现方法，并能够将这些模型用于分类、回归以及从潜在空间生成数据等应用场合。 |
| 目录 |
| 译者序 序 前言 作者简介 审校者简介 第一部分 深度学习快速入门 第1章 机器学习概述 2 1.1 接触ML生态系统 2 1.2 从数据中训练ML算法 4 1.3 深度学习概述 5 1.3.1 神经元模型 5 1.3.2 感知机学习算法 6 1.3.3 浅层网络 8 1.3.4 深度网络 11 1.4 深度学习在现代社会中的重要性 13 1.5 小结 14 1.6 习题与答案 15 1.7 参考文献 15 第2章 深度学习框架的搭建与概述 16 2.1 Colaboratory简介 16 2.2 TensorFlow的简介与安装 17 2.2.1 安装 17 2.2.2 拥有GPU支持的TensorFlow 18 2.2.3 TensorFlow背后的原理 18 2.3 Keras的简介与安装 19 2.3.1 安装 19 2.3.2 Keras背后的原理 19 2.4 PyTorch简介 21 2.5 Dopamine简介 21 2.6 其他深度学习程序库 23 2.6.1 Caffe 23 2.6.2 Theano 23 2.6.3 其他程序库 23 2.7 小结 24 2.8 习题与答案 24 2.9 参考文献 24 第3章 数据准备 26 3.1 二元数据与二元分类 27 3.1.1 克利夫兰心脏病数据集的二元目标 27 3.1.2 二值化MINST数据集 30 3.2 分类数据与多个类别 33 3.2.1 将字符串标签转换成数字 34 3.2.2 将分类转换成独热编码 36 3.3 实值数据与单变量回归 38 3.3.1 缩放到特定范围的数值 38 3.3.2 标准化到零均值和单位方差 41 3.4 改变数据的分布 42 3.5 数据增强 44 3.5.1 尺度缩放 44 3.5.2 添加噪声 45 3.5.3 旋转 45 3.5.4 其他增强手段 46 3.6 数据降维 46 3.6.1 监督算法 47 3.6.2 无监督技术 48 3.6.3 关于维度的数量 52 3.7 操纵数据的道德影响 53 3.8 小结 53 3.9 习题与答案 53 3.10 参考文献 54 第4章 从数据中学习 55 4.1 学习的目的 55 4.1.1 分类问题 56 4.1.2 回归问题 60 4.2 度量成功与错误 63 4.2.1 二元分类 64 4.2.2 多元分类 65 4.2.3 回归分析矩阵 69 4.3 识别过拟合和泛化 70 4.3.1 拥有测试数据的情形 71 4.3.2 没有测试数据的情形 72 4.4 机器学习背后的艺术 74 4.5 训练深度学习算法的伦理意蕴 78 4.5.1 使用适当的模型性能度量指标 79 4.5.2 小心对待并验证异常值 79 4.5.3 抽样不足组的权重类 80 4.6 小结 80 4.7 习题与答案 81 4.8 参考文献 81 第5章 训练单个神经元 83 5.1 感知机模型 83 5.1.1 概念的可视化 83 5.1.2 张量运算 84 5.2 感知机学习算法 86 5.3 处理线性不可分数据的感知机 88 5.3.1 线性可分数据的收敛 88 5.3.2 线性不可分数据的收敛 91 5.4 小结 92 5.5 习题与答案 93 5.6 参考文献 93 第6章 训练多层神经元 94 6.1 MLP模型 94 6.2 最小化误差 96 6.2.1 步骤1：初始化 99 6.2.2 步骤2：前向传播 99 6.2.3 步骤3：计算损失 101 6.2.4 步骤4：反向传播 101 6.3 寻找最佳超参数 106 6.4 小结 109 6.5 习题与答案 109 6.6 参考文献 110 第二部分 无监督深度学习 第7章 自编码器 112 7.1 无监督学习简介 112 7.2 编码层与解码层 113 7.2.1 编码层 115 7.2.2 解码层 116 7.2.3 损失函数 116 7.2.4 学习与测试 117 7.3 数据降维与可视化应用 119 7.3.1 MNIST数据的准备 120 7.3.2 MNIST的自编码器 120 7.3.3 模型训练与可视化 122 7.4 无监督学习的伦理意蕴 126 7.5 小结 127 7.6 习题与答案 127 7.7 参考文献 128 第8章 深度自编码器 129 8.1 深度信念网络简介 129 8.2 建立深度自编码器 130 8.2.1 批归一化 130 8.2.2 随机失活 134 8.3 探索深度自编码器的潜在空间 139 8.3.1 CIFAR-10 139 8.3.2 MNIST 146 8.4 小结 148 8.5 习题与答案 148 8.6 参考文献 149 第9章 变分自编码器 150 9.1 深度生成模型简介 150 9.2 研究变分自编码器模型 151 9.2.1 回顾心脏病数据集 153 9.2.2 重参数化技巧与采样 154 9.2.3 学习编码器中的后验概率分布参数 154 9.2.4 解码器建模 156 9.2.5 最小化重构损失 156 9.2.6 训练VAE模型 157 9.2.7 使用VAE生成数据 159 9.3 深度和浅层VAE在MNIST上的性能比较 161 9.3.1 浅层VAE模型 162 9.3.2 深度VAE模型 164 9.3.3 VAE模型去噪 168 9.4 生成模型的伦理意蕴 168 9.5 小结 169 9.6 习题与答案 169 9.7 参考文献 170 第10章 受限玻尔兹曼机 171 10.1 RBM模型简介 171 10.1.1 BM模型 172 10.1.2 RBM模型 172 10.1.3 伯努利RBM 173 10.2 使用RBM学习数据表示 174 10.3 比较RBM和AE 178 10.4 小结 180 10.5 习题与答案 181 10.6 参考文献 181 第三部分 监督深度学习 第11章 深度与广度神经网络 184 11.1 广度神经网络 184 11.1.1 回顾深度学习 184 11.1.2 网络层的广度 185 11.1.3 CIFAR-10数据集 187 11.1.4 新的训练工具 189 11.1.5 结果 192 11.2 密集深度神经网络 195 11.2.1 构建并训练模型 195 11.2.2 结果 198 11.3 稀疏深度神经网络 199 11.3.1 构建并训练稀疏网络 200 11.3.2 结果 202 11.4 超参数调优 204 11.4.1 程序库与参数 204 11.4.2 实现与结果 204 11.5 小结 206 11.6 习题与答案 207 11.7 参考文献 207 第12章 卷积神经网络 209 12.1 卷积神经网络简介 209 12.2 多维卷积 210 12.2.1 一维卷积 210 12.2.2 二维卷积 212 12.2.3 n维卷积 213 12.3 卷积层 214 12.3.1 Conv2D 214 12.3.2 layer+activation组合 216 12.4 池化策略 216 12.5 面向CIFAR-10的卷积神经网络 217 12.5.1 实现 217 12.5.2 结果 222 12.5.3 滤波器的可视化 224 12.6 小结 226 12.7 习题与答案 226 12.8 参考文献 226 第13章 循环神经网络 227 13.1 循环神经网络简介 227 13.1.1 简单RNN模型 228 13.1.2 嵌入层 229 13.1.3 词嵌入与IMDb上的RNN 231 13.2 长短时记忆模型 237 13.3 序列到向量的模型 242 13.3.1 无监督模型 243 13.3.2 结果 245 13.4 向量到序列的模型 247 13.4.1 双向LSTM 248 13.4.2 实现与结果 249 13.5 序列到序列的模型 252 13.6 伦理意蕴 253 13.7 小结 253 13.8 习题与答案 254 13.9 参考文献 255 第14章 生成对抗网络 256 14.1 对抗学习简介 256 14.1.1 基于对抗的学习 257 14.1.2 GAN模型 258 14.2 训练GAN模型 258 14.2.1 基于MLP的GAN模型 259 14.2.2 卷积GAN模型 264 14.3 比较GAN和VAE 270 14.4 GAN的伦理意蕴 272 14.5 小结 273 14.6 习题与答案 273 14.7 参考文献 274 第15章 深度学习的未来 275 15.1 寻找深度学习的前沿话题 275 15.1.1 深度强化学习 275 15.1.2 自监督学习 278 15.1.3 系统2算法 278 15.2 从Packt获取更多资源 279 15.2.1 强化学习 279 15.2.2 自监督学习 279 15.3 小结 279 15.4 参考文献 280 |