深度學(xué)習(xí)初學(xué)者指南

譯者序
序
前言
作者簡介
審校者簡介
第一部分　深度學(xué)習(xí)快速入門
第1章　機器學(xué)習(xí)概述 2
11　接觸ML生態(tài)系統(tǒng) 2
12　從數(shù)據(jù)中訓(xùn)練ML算法 4
13　深度學(xué)習(xí)概述 5
131　神經(jīng)元模型 5
132　感知機學(xué)習(xí)算法 6
133　淺層網(wǎng)絡(luò) 8
134　深度網(wǎng)絡(luò) 11
14　深度學(xué)習(xí)在現(xiàn)代社會中的重要性 13
15　小結(jié) 14
16　習(xí)題與答案 15
17　參考文獻 15
第2章　深度學(xué)習(xí)框架的搭建與概述 16
21　Colaboratory簡介 16
22　TensorFlow的簡介與安裝 17
221　安裝 17
222　擁有GPU支持的TensorFlow 18
223　TensorFlow背后的原理 18
23　Keras的簡介與安裝 19
231　安裝 19
232　Keras背后的原理 19
24　PyTorch簡介 21
25　Dopamine簡介 21
26　其他深度學(xué)習(xí)程序庫 23
261　Caffe 23
262　Theano 23
263　其他程序庫 23
27　小結(jié) 24
28　習(xí)題與答案 24
29　參考文獻 24
第3章　數(shù)據(jù)準(zhǔn)備 26
31　二元數(shù)據(jù)與二元分類 27
311　克利夫蘭心臟病數(shù)據(jù)集的二元目標(biāo) 27
312　二值化MINST數(shù)據(jù)集 30
32　分類數(shù)據(jù)與多個類別 33
321　將字符串標(biāo)簽轉(zhuǎn)換成數(shù)字 34
322　將分類轉(zhuǎn)換成獨熱編碼 36
33　實值數(shù)據(jù)與單變量回歸 38
331　縮放到特定范圍的數(shù)值 38
332　標(biāo)準(zhǔn)化到零均值和單位方差 41
34　改變數(shù)據(jù)的分布 42
35　數(shù)據(jù)增強 44
351　尺度縮放 44
352　添加噪聲 45
353　旋轉(zhuǎn) 45
354　其他增強手段 46
36　數(shù)據(jù)降維 46
361　監(jiān)督算法 47
362　無監(jiān)督技術(shù) 48
363　關(guān)于維度的數(shù)量 52
37　操縱數(shù)據(jù)的道德影響 53
38　小結(jié) 53
39　習(xí)題與答案 53
310　參考文獻 54
第4章　從數(shù)據(jù)中學(xué)習(xí) 55
41　學(xué)習(xí)的目的 55
411　分類問題 56
412　回歸問題 60
42　度量成功與錯誤 63
421　二元分類 64
422　多元分類 65
423　回歸分析矩陣 69
43　識別過擬合和泛化 70
431　擁有測試數(shù)據(jù)的情形 71
432　沒有測試數(shù)據(jù)的情形 72
44　機器學(xué)習(xí)背后的藝術(shù) 74
45　訓(xùn)練深度學(xué)習(xí)算法的倫理意蘊 78
451　使用適當(dāng)?shù)哪Ｐ托阅芏攘恐笜?biāo) 79
452　小心對待并驗證異常值 79
453　抽樣不足組的權(quán)重類 80
46　小結(jié) 80
47　習(xí)題與答案 81
48　參考文獻 81
第5章　訓(xùn)練單個神經(jīng)元 83
51　感知機模型 83
511　概念的可視化 83
512　張量運算 84
52　感知機學(xué)習(xí)算法 86
53　處理線性不可分?jǐn)?shù)據(jù)的感知機 88
531　線性可分?jǐn)?shù)據(jù)的收斂 88
532　線性不可分?jǐn)?shù)據(jù)的收斂 91
54　小結(jié) 92
55　習(xí)題與答案 93
56　參考文獻 93
第6章　訓(xùn)練多層神經(jīng)元 94
61　MLP模型 94
62　最小化誤差 96
621　步驟1：初始化 99
622　步驟2：前向傳播 99
623　步驟3：計算損失 101
624　步驟4：反向傳播 101
63　尋找最佳超參數(shù) 106
64　小結(jié) 109
65　習(xí)題與答案 109
66　參考文獻 110
第二部分　無監(jiān)督深度學(xué)習(xí)
第7章　自編碼器 112
71　無監(jiān)督學(xué)習(xí)簡介 112
72　編碼層與解碼層 113
721　編碼層 115
722　解碼層 116
723　損失函數(shù) 116
724　學(xué)習(xí)與測試 117
73　數(shù)據(jù)降維與可視化應(yīng)用 119
731　MNIST數(shù)據(jù)的準(zhǔn)備 120
732　MNIST的自編碼器 120
733　模型訓(xùn)練與可視化 122
74　無監(jiān)督學(xué)習(xí)的倫理意蘊 126
75　小結(jié) 127
76　習(xí)題與答案 127
77　參考文獻 128
第8章　深度自編碼器 129
81　深度信念網(wǎng)絡(luò)簡介 129
82　建立深度自編碼器 130
821　批歸一化 130
822　隨機失活 134
83　探索深度自編碼器的潛在空間 139
831　CIFAR-10 139
832　MNIST 146
84　小結(jié) 148
85　習(xí)題與答案 148
86　參考文獻 149
第9章　變分自編碼器 150
91　深度生成模型簡介 150
92　研究變分自編碼器模型 151
921　回顧心臟病數(shù)據(jù)集 153
922　重參數(shù)化技巧與采樣 154
923　學(xué)習(xí)編碼器中的后驗概率分布參數(shù) 154
924　解碼器建模 156
925　最小化重構(gòu)損失 156
926　訓(xùn)練VAE模型 157
927　使用VAE生成數(shù)據(jù) 159
93　深度和淺層VAE在MNIST上的性能比較 161
931　淺層VAE模型 162
932　深度VAE模型 164
933　VAE模型去噪 168
94　生成模型的倫理意蘊 168
95　小結(jié) 169
96　習(xí)題與答案 169
97　參考文獻 170
第10章　受限玻爾茲曼機 171
101　RBM模型