deep learning book
1.0.0
Repository für das Buch Einführung in künstliche neuronale Netzwerke und Deep Learning: Ein praktischer Leitfaden mit Anwendungen in Python .
Deep Learning ist nicht nur die Rede der Stadt unter Technikleuten. Deep Learning ermöglicht es uns, komplexe Probleme anzugehen und künstliche neuronale Netze auszubilden, um komplexe Muster für Bild und Spracherkennung zu erkennen. In diesem Buch werden wir dort fortfahren, wo wir in Python Machine Learning aufgehört haben und Deep Learning -Algorithmen in Pytorch implementieren.
Dieses Repository enthält die Anweisungen, Codebeispiele und Lösungen für die praktischen und übenden Teile jedes Kapitels.
PDF- und E -Book -Versionen des Buches sind bei LeanPub erhältlich.
ISBN-10: [TBA]
ISBN-13: [TBA]
Taschenbuch: Est. 2018
01 - Einführung
02 - Das Perzeptron
03 - Optimierung der Kostenfunktionen mit Gradientenabstieg
04 - Logistische Regression und Softmax -Regression
05 - Von der Softmax -Regression bis zur Mehrschichtwahrnehmung
06 - Cross -Validierung und Leistungsmetriken
07 - Regularisierung in neuronalen Netzwerken
08 - Lernraten und Gewichtsinitialisierung
09 - Faltungsnetzwerke mit Faltungsnetzwerken
10 - wiederkehrende neuronale Netze
11 - Autocoder
12 - Allgemeine nervige Netzwerke von Gegenteilern
13 - tiefe generative Modelle
14 - Verstärkungslernen
Anhang A: Mathematische Notation [PDF]
Anhang B: Algebra -Grundlagen [PDF]
Anhang C: Lineare Algebra -Essentials
Anhang D: Calculus und Differenzierungsprimer [PDF]
Anhang E: Übersicht über die Wahrscheinlichkeitstheorie
Anhang F: Referenz für Notative Konventionen
Anhang G: Python -Setup
Anhang H: Einführung in Numpy [PDF] [Code Notebook]
Anhang I: Pytorch -Grundlagen
Anhang I (Alt.): TensorFlow -Grundlagen [PDF] [Code Notebook]
Anhang J: Cloud Computing [PDF]
Das maschinelle Lernen ist zu einem zentralen Bestandteil unseres Lebens geworden - als Verbraucher, Kunden und hoffentlich als Forscher und Praktiker! Ich schätze all das nette Feedback, das Sie mir über Python Machine Learning geschickt haben, und ich freue mich sehr zu hören, dass Sie es als Lernleitfaden so nützlich empfunden haben und Ihnen bei Ihren Geschäftsanwendungen und Forschungsprojekten helfen. Ich habe seit seiner Veröffentlichung viele E -Mails erhalten. In diesen E -Mails haben Sie mich auch nach einem möglichen Prequel oder einer möglichen Fortsetzung gefragt.
Anfangs war ich geneigt, mehr über die "Mathematik" -Teile zu schreiben, die für fast jeden ohne (oder sogar mit) Mathematik -Major im College eine echte Hürde sein können. Anfangs dachte ich, dass es eine coole Sache ist, ein Buch über "maschinelles Lernen" zu schreiben. Jetzt habe ich ~ 15 Kapitel im Wert von ~ Noten über Vorkalkulus, Kalkül, lineare Algebra, Statistik und Wahrscheinlichkeitstheorie. Ich kam jedoch schließlich zu dem Schluss, dass es schon zu viele andere Mathematikbücher gab! Die meisten von ihnen sind weitaus besser und umfassender und genauer als meine potenzielle Einführung von ~ 500 Seiten in die Themen, die ich auf Lager hatte. Immerhin denke ich, dass die wahre Motivation zum Lernen und Verständnis eines Faches entsteht, dass es überhaupt begeistert ist. Wenn Sie leidenschaftlich für maschinelles Lernen sind und über die Kettenregel in Kalkül stolpern, hätten Sie heutzutage keine Probleme, eine vertrauenswürdige Ressource über Ihre bevorzugte Suchmaschine zu finden.
Anstatt dieses "Prequel" zu schreiben, lassen Sie mich über etwas schreiben, das auf den Konzepten aufbaut, die ich in den späteren Kapiteln des maschinellen Lernens von Python vorgestellt habe - Algorithmen für tiefes Lernen. Nachdem wir ein Multi-Layer-Perzeptron (eine bestimmte Art von künstlichem neuronaler Netzwerk von Feedforward) von Grund auf neu kodiert haben, haben wir uns kurz einige Python-Bibliotheken angesehen, um Deep-Lern-Algorithmen zu implementieren.
In diesem Buch möchte ich dort weitermachen, wo ich aufgehört habe und tiefe neuronale Netzwerke und Algorithmen für Deep -Learning -Algorithmen von Grund auf neu implementieren möchte, wobei Python, Numpy und Scipy während dieser Bildungsreise verwendet werden. Zusätzlich zum Vanilla Python Science-Stack werden wir diese Algorithmen im Tensorflow implementieren, hochdarlehen, aber sehr zugängliche Deep-Learning-Bibliothek für die Implementierung und Anwendung von Tiefenlernen auf reale Probleme.
Der gesamte Code in diesem Repository (einschließlich der Code -Beispiele in Jupyter -Notebooks) ist Open -Source -Inhalt, der unter der MIT -Softwarelizenz veröffentlicht wurde. Kurz gesagt, die zulässige MIT -Lizenz ermöglicht es Ihnen, mit dem Code mit ordnungsgemäßer Zuschreibung und ohne Garantie etwas zu tun. Bitte überprüfen Sie die MIT -Lizenzbenachrichtigung für weitere Informationen.
Alle Nicht-Code-Inhalte und kreativen Arbeiten in diesem Repository, einschließlich Text und Grafik, werden vom Autor Sebastian Raschka ausschließlich im Urheberrecht gehalten. Sofern nicht anders angegeben, dient der in diesem Repository geteilte Textinhalt nur für den persönlichen Gebrauch. Sie können kurze Text Passagen dieser Arbeit mit ordnungsgemäßer Zuordnung für den Autor verwenden, ändern oder teilen. Wenn Sie jedoch vorhaben, wesentliche Teile dieses Buches für andere Schriften zu ändern und/oder zu teilen, wie z. B. Blog -Posts, Magazinartikel oder Lehrmaterial, wenden Sie sich an den Autor, um die Erlaubnis zu erhalten.
Zahlen und Grafiken, die von einem Creative Commons Attribution-Sharealike 4.0 International gekennzeichnet sind, können frei unter den jeweiligen Lizenzbedingungen (wie im Abschnitt Creative Commons Attribution-Sharealike 4.0 International in der Lizenzdatei) und ordnungsgemäße Zuschreibung aufgeführt.
Ich möchte mich den Lesern besonders bedanken, die verschiedene Tippfehler und Fehler aufgenommen haben und Vorschläge zur Klärung meines Schreibens angeboten haben.
