deep learning book
1.0.0
Repositori untuk Buku Pengantar Jaringan Saraf Buatan dan Pembelajaran mendalam: Panduan Praktis dengan Aplikasi dalam Python .
Deep Learning bukan hanya pembicaraan kota di antara orang -orang teknologi. Deep Learning memungkinkan kita untuk mengatasi masalah yang kompleks, melatih jaringan saraf buatan untuk mengenali pola kompleks untuk pengenalan gambar dan suara. Dalam buku ini, kami akan melanjutkan di mana kami tinggalkan dalam pembelajaran mesin Python dan menerapkan algoritma pembelajaran yang mendalam di Pytorch.
Repositori ini akan berisi instruksi, contoh kode, dan solusi untuk bagian langsung dan latihan dari setiap bab.
Versi PDF dan eBook buku ini akan tersedia dari LeanPub.
ISBN-10: [TBA]
ISBN-13: [TBA]
Paperback: Est. 2018
01 - Pendahuluan
02 - Perceptron
03 - Mengoptimalkan fungsi biaya dengan keturunan gradien
04 - Regresi Logistik dan Regresi Softmax
05 - Dari Regresi Softmax ke Perceptrons Multilayer
06 - Metrik validasi dan kinerja silang
07 - regularisasi dalam jaringan saraf
08 - Tingkat belajar dan inisialisasi berat badan
09 - Jaringan Saraf Konvolusional
10 - Jaringan Saraf Berulang
11 - Autoencoders
12 - Jaringan Saraf Persetujuan Umum
13 - Model generatif yang dalam
14 - Pembelajaran Penguatan
Lampiran A: Notasi Matematika [PDF]
Lampiran B: Dasar -dasar Aljabar [PDF]
Lampiran C: Linear Aljabar Esensial
Lampiran D: Kalkulus dan Primer Diferensiasi [PDF]
Lampiran E: Tinjauan Teori Probabilitas
Lampiran F: Referensi Konvensi Notasi
Lampiran G: Pengaturan Python
Lampiran H: Pengantar Numpy [PDF] [Code Notebook]
Lampiran I: Dasar Pytorch
Lampiran I (Alt.): Dasar -dasar TensorFlow [PDF] [Code Notebook]
Lampiran J: Cloud Computing [PDF]
Pembelajaran mesin telah menjadi bagian utama dari kehidupan kita - sebagai konsumen, pelanggan, dan semoga sebagai peneliti dan praktisi! Saya menghargai semua umpan balik bagus yang Anda kirimkan kepada saya tentang Python Machine Learning , dan saya sangat senang mendengar bahwa Anda merasa sangat berguna sebagai panduan pembelajaran, membantu Anda dengan aplikasi bisnis dan proyek penelitian. Saya telah menerima banyak email sejak dirilis. Juga, dalam email ini, Anda bertanya kepada saya tentang kemungkinan prekuel atau sekuel.
Awalnya, saya cenderung menulis lebih banyak tentang bagian "matematika", yang bisa menjadi rintangan nyata bagi hampir semua orang tanpa (atau bahkan dengan) jurusan matematika di perguruan tinggi. Awalnya, saya berpikir bahwa menulis buku tentang "mesin pembelajaran mesin" adalah hal yang keren untuk dilakukan. Sekarang, saya memiliki ~ 15 bab bernilai catatan tentang pra-kalkulus, kalkulus, aljabar linier, statistik, dan teori probabilitas. Namun, saya akhirnya sampai pada kesimpulan bahwa sudah ada terlalu banyak buku matematika lain di luar sana! Sebagian besar dari mereka jauh lebih baik dan lebih komprehensif dan akurat daripada potensi saya ~ 500 halaman pengantar tentang topik yang saya miliki. Lagi pula, saya berpikir bahwa motivasi nyata untuk belajar dan memahami subjek berasal dari menjadi bersemangat tentang hal itu di tempat pertama; Jika Anda bersemangat tentang pembelajaran mesin dan Anda menemukan aturan rantai dalam kalkulus, Anda tidak akan memiliki masalah untuk menemukan sumber daya tepercaya melalui mesin pencari favorit Anda hari ini.
Jadi, alih -alih menulis "prekuel," izinkan saya menulis tentang sesuatu yang dibangun di atas konsep yang saya perkenalkan di bab -bab selanjutnya dari Python Machine Learning - algoritma untuk pembelajaran yang mendalam. Setelah kami mengkodekan Perceptron multi-layer (jenis jaringan saraf buatan feedforward tertentu) dari awal, kami melihat beberapa perpustakaan Python untuk menerapkan algoritma pembelajaran yang mendalam, dan saya memperkenalkan jaringan saraf konvolusional dan berulang pada tingkat konseptual.
Dalam buku ini, saya ingin melanjutkan di mana saya tinggalkan dan ingin mengimplementasikan jaringan saraf dan algoritma yang mendalam untuk algoritma pembelajaran yang mendalam dari awal, menggunakan Python, Numpy, dan Scipy selama perjalanan pendidikan ini. Selain tumpukan sains Vanilla Python, kami akan mengimplementasikan algoritma ini di TensorFlow, perpustakaan pembelajaran yang sangat berkinerja namun sangat mudah diakses untuk menerapkan dan menerapkan pembelajaran mendalam untuk masalah dunia nyata.
Semua kode dalam repositori ini (termasuk contoh kode dalam jupyter notebooks) adalah konten open source, dirilis di bawah lisensi perangkat lunak MIT. Singkatnya, lisensi MIT permisif memungkinkan Anda melakukan apa pun dengan kode dengan atribusi yang tepat dan tanpa jaminan; Silakan periksa pemberitahuan lisensi MIT untuk perincian lebih lanjut.
Semua konten non-kode dan karya kreatif dalam repositori ini, termasuk teks dan grafik, berada di bawah hak cipta eksklusif oleh penulis, Sebastian Raschka. Kecuali disebutkan sebaliknya, konten teks yang dibagikan dalam repositori ini dimaksudkan untuk penggunaan pribadi saja. Anda dapat menggunakan, memodifikasi, atau berbagi bagian teks pendek dari karya ini dengan atribusi yang tepat kepada penulis. Namun, jika Anda berencana untuk memodifikasi dan/atau berbagi bagian substansial dari buku ini untuk tulisan -tulisan lain, seperti posting blog, artikel majalah, atau materi pengajaran, hubungi penulis untuk izin.
Angka dan grafik yang ditandai oleh Creative Commons Attribution-Sharealike 4.0 International bebas untuk dibagikan berdasarkan persyaratan lisensi masing-masing (sebagaimana tercantum dalam bagian Creative Commons Attribution-Shareaute 4.0 International dalam file lisensi) dan atribusi yang tepat.
Saya ingin mengucapkan terima kasih khusus kepada para pembaca, yang menangkap berbagai kesalahan ketik dan kesalahan dan menawarkan saran untuk mengklarifikasi tulisan saya.
