作者简介: Josh Patterson目前是Skymind的现场工程副总裁。他此前曾在Cloudera担任高级解决方案架构师,在Tennessee Valley Authority担任机器学习和分布式系统工程师。 Adam Gibson是Skymind的CTO。Adam曾与财富500强企业、对冲基金、公关公司和创投加速器等机构合作,创建它们的机器学习项目。他在帮助这些公司处理和阐释大规模实时数据方面颇具深厚经验。 内容简介: 在引入开源Deeplearning4j(DL4J)库用于开发产品级工作流之前,作者Josh Patterson和Adam Gibson介绍了深度学习——调优、并行化、向量化及建立管道——任何库所需的基础知识。通过真实的案例,你将学会在Spark和Hadoop上用DL4J训练深度网络架构并运行深度学习工作流的方法和策略。 * 深入机器学习一般概念,特别是深度学习相关概念 * 理解深度网络如何从神经网络基础演化 * 探索主流深度网络架构,包括Convolutional和Recurrent * 学习如何将特定的深度网络映射到具体的问题 * 一般神经网络和特定深度网络架构调优基础概览 * 为不同的数据类型使用DL4J的工作流工具DateVec实现向量化 * 学习如何在Spark和Hadoop本地使用DL4J 目录: Preface 1. A Review of Machine Learning The Learning Machines How Can Machines Learn? Biological Inspiration What Is Deep Learning? Going Down the Rabbit Hole Framing the Questions The Math Behind Machine Learning: Linear Algebra Scalars Vectors Matrices Tensors Hyperplanes Relevant Mathematical Operations Converting Data Into Vectors Solving Systems of Equations The Math Behind Machine Learning: Statistics Probability Conditional Probabilities Posterior Probability Distributions Samples Versus Population Resampling Methods Selection Bias Likelihood How Does Machine Learning Work? Regression Classification Clustering...
以下为对购买帮助不大的评价