深度学习初学者指南

图书标准信息

• 作者 [智利]巴勃罗·里瓦斯（Pablo Rivas）
• 出版社 机械工业出版社
• 出版时间 2021-11
• 版次 1
• ISBN 9787111695226
• 定价 99.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 300页
• 字数 263千字

【内容简介】

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。

【作者简介】

审校者简介部分　深度学习快速入门章　机器学习概述  21.1　接触ML生态系统  21.2　从数据中训练ML算法  41.3　深度学习概述  51.3.1　神经元模型  51.3.2　感知机学习算法  61.3.3　浅层网络  81.3.4　深度网络  111.4　深度学习在现代社会中的重要1.5　小结  141.6　习题与答案  151.7　参考文献  15第2章　深度学习框架的搭建与概述  162.1　Colaboratory简介  162.2　TensorFlow的简介与安装  172.2.1　安装  172.2.2　拥有GPU支持的TensorFlow  182.2.3　TensorFlow背后的原理  182.3　Keras的简介与安装  192.3.1　安装  192.3.2　Keras背后的原理  192.4　PyTorch简介  212.5　Dopamine简介  212.6　其他深度学习程序库  232.6.1　Caffe  232.6.2　Theano  232.6.3　其他程序库  232.7　小结  242.8　习题与答案  242.9　参考文献  24第3章　数据准备  263.1　二元数据与二元分类  273.1.1　克利夫兰数据集的二元目标  273.1.2　二值化MINST数据集  303.2　分类数据与多个类别  333.2.1　将字符串标签转换成数字  343.2.2　将分类转换成独热编码  363.3　实值数据与单变量回归  383.3.1　缩放到特定范围的数值  383.3.2　标准化到零均值和单位方差  413.4　改变数据的分布  423.5　数据增强  443.5.1　尺度缩放  443.5.2　添加噪声  453.5.3　旋转  453.5.4　其他增强手段  463.6　数据降维  463.6.1　监督算法  473.6.2　无监督技术  483.6.3　关于维度的数量  523.7　操纵数据的道德影响  533.8　小结  533.9　习题与答案  533.10　参考文献  54第4章　从数据中学习  554.1　学习的目的  554.1.1　分类问题  564.1.2　回归问题  604.2　度量成功与错误  634.2.1　二元分类  644.2.2　多元分类  654.2.3　回归分析矩阵  694.3　识别过拟合和泛化  704.3.1　拥有测试数据的情形  714.3.2　没有测试数据的情形  724.4　机器学习背后的艺术  744.5　训练深度学习算法的伦理意蕴  784.5.1　使用适当的模型性能度量指标  794.5.2　小心对待并验证异常值  794.5.3　抽样不足组的权重类  804.6　小结  804.7　习题与答案  814.8　参考文献  81第5章　训练单个神经元  835.1　感知机模型  835.1.1　概念的可视化  835.1.2　张量运算  845.2　感知机学习算法  865.3　处理线性不可分数据的感知机  885.3.1　线性可分数据的收敛  885.3.2　线性不可分数据的收敛  915.4　小结  925.5　习题与答案  935.6　参考文献  93第6章　训练多层神经元  946.1　MLP模型  946.2　化误差  966.2.1　步骤1：初始化  996.2.2　步骤2：前向传播  996.2.3　步骤3：计算损失  1016.2.4　步骤4：反向传播  1016.3　寻找佳超参数  1066.4　小结  1096.5　习题与答案  1096.6　参考文献  110第二部分　无监督深度学习第7章　自编码器  1127.1　无监督学习简介  1127.2　编码层与解码层  1137.2.1　编码层  1157.2.2　解码层  1167.2.3　损失函数  1167.2.4　学习与测试  1177.3　数据降维与可视化应用  1197.3.1　MNIST数据的准备  1207.3.2　MNIST的自编码器  1207.3.3　模型训练与可视化  1227.4　无监督学习的伦理意蕴  1267.5　小结  1277.6　习题与答案  1277.7　参考文献  128第8章　深度自编码器  1298.1　深度信念网络简介  1298.2　建立深度自编码器  1308.2.1　批归一化  1308.2.2　随机失活  1348.3　探索深度自编码器的潜在空间  1398.3.1　CIFAR-10  1398.3.2　MNIST  1468.4　小结  1488.5　习题与答案  1488.6　参考文献  149第9章　变分自编码器  1509.1　深度生成模型简介  1509.2　研究变分自编码器模型  1519.2.1　回顾数据集  1539.2.2　重参数化技巧与采样  1549.2.3　学习编码器中的后验概率分布参数  1549.2.4　解码器建模  1569.2.5　化重构损失  1569.2.6　训练VAE模型  1579.2.7　使用VAE生成数据  1599.3　深度和浅层VAE在MNIST上的性能比较  1619.3.1　浅层VAE模型  1629.3.2　深度VAE模型  1649.3.3　VAE模型去噪  1689.4　生成模型的伦理意蕴  1689.5　小结  1699.6　习题与答案  1699.7　参考文献  1700章　受限玻尔兹曼机  17110.1　RBM模型
作者介绍

序言

【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