深度學習基礎教程
作 者: 阿努拉格.巴德瓦傑 著 楊偉 李征 等 譯
定 價: 59
出?版?社: 機械工業出版社
出版日期: 2017年02月01日
頁 數: 164
裝 幀: 平裝
ISBN: 9787111608455
●譯者序原書前言第 1章 為什麼進行深度學習 // 1 1.1 什麼是人工智能和深度學習 // 1 1.2 深度學習的歷史及其興起 // 2 1.3 為什麼進行深度學習 // 7 1.3.1 相比於傳統淺層方法的優勢 // 7 1.3.2 深度學習的影響 //8 1.4 深層架構的動機 // 9 1.4.1 神經的觀點 // 10 1.4.2 特征表示的觀點 // 10 1.5 應用 //14 1.5.1 盈利性應用 // 14 1.5.2 成功案例 // 14 1.5.3 面向企業的深度學習 // 19 1.6 未來的潛力和挑戰 // 20 1.7 小結 //21第 2章 為深度學習做準備 // 22 2.1 線性代數的基礎知識 // 22 2.1.1 數據表示 // 22 2.1.2 數據操作 // 23 2.1.3 矩陣屬性 // 24 2.2 使用GPU進行深度學習 // 24 2.2.1 深度學習硬件指南 // 26 2.3 深度學習軟件框架 // 27 2.3.1 TensorFlow // 27 2.3.2 Caffe // 27 2.3.3 MXNet // 28 2.3.4 Torch // 28 2.3.5 Theano // 28 2.3.6 CNTK // 29 2.3.7 Keras // 29 2.3.8 框架比較 // 292.4 基本亞馬遜網絡服務的深度學習開發環境配置 // 30 2.4.1 從零開始配置 // 30 2.4.2 基於Docker的配置 // 33 2.5 小結 //34第 3章 神經網絡入門 // 35 3.1 多層感知機 // 35 3.1.1 輸入層 // 36 3.1.2 輸出層 // 36 3.1.3 隱藏層 // 36 3.1.4 激活函數 // 36 3.2 如何進行網絡學習 // 39 3.2.1 權值初始化 // 39 3.2.2 前向傳播 // 39 3.2.3 反向傳播 // 40 3.2.4 梯度消失與爆炸 // 42 3.2.5 優化算法 // 42 3.2.6 正則化 // 43 3.3 深度學習模型 // 433.3.1 卷積神經網絡 // 43 3.3.2 受限玻耳茲曼機 // 47 3.3.3 循環神經網絡（RNN/LSTM網絡）// 50 3.3.4 RNN及其展開 // 51 3.3.5 通過時間的反向傳播 // 51 3.3.6 梯度消失與 LSTM網絡 // 51 3.3.7 LSTM網絡和網關 // 52 3.4 應用示例 //53 3.4.1 TensorFlow設置與關鍵概念 // 53 3.4.2 手寫數字識別 // 54 3.5 小結 //57第 4章 計算機視覺中的深度學習 // 58 4.1 卷積神經網絡的起源 // 58 4.2 卷積神經網絡 // 59 4.2.1 數據變換 // 61 4.2.2 網絡層 // 62 4.2.3 網絡初始化 // 65 4.2.4 正則化 // 66 4.2.5 損失函數 // 67 4.2.6 模型可視化 // 68 4.2.7 手寫數字分類示例 // 69 4.3 微調卷積神經網絡 // 71 4.4 主流的卷積神經網絡架構 // 72 4.4.1 AlexNet // 72 4.4.2 VGG // 72 4.4.3 GoogLeNet // 734.4.4 ResNet // 73 4.5 小結 //74第 5章 自然語言處理中的向量表示 // 75 5.1 傳統的自然語言處理 // 75 5.1.1 BoW // 75 5.1.2 帶權的 tf-idf // 76 5.2 基於深度學習的自然語言處理 // 77 5.2.1 動機及分散式表示法 // 77 5.2.2 詞嵌入 // 78 5.2.3 Word2Vec // 81 5.2.4 了解 GloVe // 92 5.2.5 FastText // 92 5.3 應用 //93 5.3.1 使用示例 // 93 5.3.2 微調 // 93 5.4 小結 //94第 6章 不錯自然語言處理 // 95 6.1 面向文本的深度學習 // 95 6.1.1 神經網絡的局限性 // 95 6.2 循環神經網絡 // 96 6.2.1 RNN架構 // 97 6.2.2 基本的RNN模型 // 98 6.2.3 訓練RNN很難 // 98 6.3 LSTM網絡 //99 6.3.1 使用TensorFlow實現LSTM網絡 // 101 6.4 應用 //103 6.4.1 語言建模 // 103 6.4.2 序列標注 // 104 6.4.3 機器翻譯 // 106 6.4.4 聊天機器人 // 1096.5 小結 //110第 7章 多模態 // 111 7.1 什麼是多模態學習 // 111 7.2 多模態學習的挑戰 // 111 7.2.1 模態表示 // 112 7.2.2 模態轉換 // 112 7.2.3 模態對齊 // 1127.2.4 模態融合 // 113 7.2.5 協同學習 // 113 7.3 圖像標注生成 //113 7.3.1 show&tell算法 // 114 7.3.2 其他類型的方法 // 116 7.3.3 數據集 // 117 7.3.4 評估方法 // 119 7.3.5 注意力模型 // 121 7.4 視覺問答 //125 7.5 基於多源的自動駕駛 //127 7.6 小結 //130第 8章 深度強化學習 // 1318.1 什麼是強化學習 // 131 8.1.1 問題設置 // 132 8.1.2 基於值函數學習的算法 // 132 8.1.3 基於策略搜索的算法 //134 8.1.4 基於Actor-Critic的算法 // 134 8.2 深度強化學習 // 135 8.2.1 深度Q網絡（DQN）// 135 8.2.2 雙DQN // 137 8.2.3 競爭DQN // 138 8.3 強化學習實現 // 138 8.3.1 簡單的強化學習示例 // 138 8.3.2 以Q-learning為例的強化學習 // 139 8.4 小結 //141第 9章 深度學習的技巧 // 142 9.1 處理數據 //142 9.1.1 數據清理 // 142 9.1.2 數據擴充 // 142 9.1.3 數據歸一化 // 143 9.2 訓練技巧 // 143 9.2.1 權值初始化 // 143 9.2.2 優化 // 144 9.2.3 損失函數選擇 // 146 9.2.4 防止過擬合 // 147 9.2.5 微調 // 148 9.3 模型壓縮 // 149 9.4 小結 // 152第 10章 深度學習的發展趨勢 // 153 10.1 深度學習的最新模型 // 15310.1.1 生成對抗網絡 // 153 10.1.2 Capsule網絡 // 154 10.2 深度學習的新應用 // 15510.2.1 基因組學 // 155 10.2.2 醫療預測 // 157 10.2.3 臨床影像學 // 159 10.2.4 唇語 // 160 10.2.5 視覺推理 // 161 10.2.6 代碼合成 // 162 10.3 小結 // 164
內容簡介
《深度學習基礎教程》是真正適合深度學習初學者的入門書籍，全書沒有任何復雜的數學推導。《深度學習基礎教程》首先介紹了深度學習的優勢和面臨的挑戰、深度學習采用深層架構的動機、學習深度學習需要的數學知識和硬件知識以及深度學習常用的軟件框架。然後對多層感知機、卷積神經網絡（CNN）、受限玻耳茲曼機（RBM）、循環神經網絡（RNN）及其變體—長短時記憶（LSTM）網絡進行了詳細介紹，並且以獨立章節重點闡述了CNN在計算機視覺中的應用、RNN在自然語言處理中的應用以及深度學習在多模態學習領域中的應用。隨後，本書介紹了深度強化學習的基本知識，給出了應用深度學習技術需要的許多實用技巧並概述了深度學習的一些新方向和新應用。
深度學習是科技界最具突破性的發展趨勢，已經跨越研發實驗室應用到生產環境中。它是通過數據的多個隱藏層進行深入洞察的科學和藝術。目前，深度學習是圖像識別、物體識別和自然語言處理（NLP）問題解決方案的最佳提供者之一。 從溫習機器學習開始，《深度學習基礎教程》將快速地進入深度學習的基本原理及其實現。隨後，將向讀者介紹不同類型的神經網絡及其在現實世界中的應用。在具有啟發性示例的幫助下，讀者將學習使用深層神經網絡識別模式，並了解數據操作和分類等重要概念。 采用基於深度學習的強化學習技術，將可以構建超越人類的人工智能（AI）。另外，將學習如何使用LSTM網絡。閱讀《深度學習基礎教程》的過程中，將遇到各種不同的框架和庫，如TensorFlow、Python和Nvidia等。在本書的最後，讀者將能夠為自己的應用部署一個面向生產的深度學習框架。讀者對像 如果你是一個希望為自己的商業應用構建......
"
