deep learning book
1.0.0
Repositório para a introdução do livro a redes neurais artificiais e aprendizado profundo: um guia prático com aplicações no Python .
O aprendizado profundo não é apenas o assunto da cidade entre as pessoas da tecnologia. O aprendizado profundo nos permite enfrentar problemas complexos, treinando redes neurais artificiais para reconhecer padrões complexos para o reconhecimento de imagem e fala. Neste livro, continuaremos de onde paramos no Python Machine Learning e implementamos algoritmos de aprendizado profundo em Pytorch.
Este repositório conterá as instruções, exemplos de código e soluções para as partes práticas e exercícios de cada capítulo.
As versões em PDF e eBook do livro estarão disponíveis no LeanPub.
ISBN-10: [TBA]
ISBN-13: [TBA]
Brochura: Est. 2018
01 - Introdução
02 - The Perceptron
03 - Otimizando funções de custo com descida de gradiente
04 - Regressão logística e regressão softmax
05 - Da regressão Softmax a perceptrons multicamadas
06 - Validação cruzada e métricas de desempenho
07 - regularização em redes neurais
08 - Taxas de aprendizado e inicialização de peso
09 - Redes neurais convolucionais
10 - Redes neurais recorrentes
11 - AutoEncoders
12 - Redes neurais adversárias gerais
13 - modelos generativos profundos
14 - Aprendizagem de reforço
Apêndice A: Notação Matemática [PDF]
Apêndice B: Basics de Álgebra [PDF]
Apêndice C: Fundamentos de Álgebra Linear
Apêndice D: Cálculo e primer de diferenciação [PDF]
Apêndice E: Visão geral da teoria da probabilidade
Apêndice F: Referência de Convenções Notacionais
Apêndice G: Configuração do Python
Apêndice H: Introdução ao Numpy [PDF] [Código Notebook]
Apêndice I: Pytorch Basics
Apêndice I (Alt.): Basices de Tensorflow [PDF] [Código Notebook]
Apêndice J: Computação em nuvem [PDF]
O aprendizado de máquina se tornou uma parte central de nossa vida - como consumidores, clientes e esperançosamente como pesquisadores e profissionais! Aprecio todo o bom feedback que você me enviou sobre o aprendizado de máquina Python e fico muito feliz em saber que você achou tão útil como um guia de aprendizado, ajudando você com seus aplicativos de negócios e projetos de pesquisa. Recebi muitos e -mails desde o seu lançamento. Além disso, nesses e -mails, você estava me perguntando sobre um possível prequel ou sequência.
Inicialmente, eu estava inclinado a escrever mais sobre as peças "matemáticas", que podem ser um verdadeiro obstáculo para quase todo mundo sem (ou mesmo com) especialista em matemática na faculdade. Inicialmente, pensei que escrever um livro sobre "Machine Learning Math" era uma coisa legal de se fazer. Agora, tenho ~ 15 capítulos no valor de notas sobre pré-cálculo, cálculo, álgebra linear, estatística e teoria de probabilidade. No entanto, finalmente cheguei à conclusão de que já havia muitos outros livros de matemática por aí! A maioria deles é muito melhor e mais abrangente e precisa do que minha potencial introdução de ~ 500 páginas aos tópicos que eu tinha reservado. Afinal, acho que a verdadeira motivação para aprender e entender um assunto vem de estar empolgado com isso em primeiro lugar; Se você é apaixonado pelo aprendizado de máquina e tropeça na regra da cadeia no cálculo, não teria problemas para encontrar um recurso confiável por meio do seu mecanismo de pesquisa favorito nos dias de hoje.
Então, em vez de escrever esse "prequel", deixe -me escrever sobre algo que construiu sobre os conceitos que introduzi nos capítulos posteriores do aprendizado de máquina Python - algoritmos para o aprendizado profundo. Depois de codificarmos um perceptron de várias camadas (um certo tipo de rede neural artificial de feedforward) do zero, demos uma breve olhada em algumas bibliotecas do Python para implementar algoritmos de aprendizado profundo, e introduzi redes neurais convolucionais e recorrentes em um nível conceitual.
Neste livro, quero continuar de onde parei e quero implementar redes e algoritmos neurais profundos para algoritmos de aprendizado profundo do zero, usando Python, Numpy e Scipy ao longo desta jornada educacional. Além da pilha científica do baunilha Python, implementaremos esses algoritmos na biblioteca de aprendizado profundo Tensorflow, altamente performante, mas muito acessível, para implementar e aplicar um aprendizado profundo a problemas do mundo real.
Todo o código deste repositório (incluindo os exemplos de código nos notebooks Jupyter) é o conteúdo de código aberto, lançado sob a licença de software do MIT. Em resumo, a licença permissiva do MIT permite que você faça qualquer coisa com o código com atribuição adequada e sem garantia; Verifique o aviso de licença do MIT para obter mais detalhes.
Todo o conteúdo não código e o trabalho criativo neste repositório, incluindo texto e gráficos, está sob direitos autorais exclusivos do autor, Sebastian Raschka. A menos que seja indicado de outra forma, o conteúdo de texto compartilhado neste repositório é destinado apenas ao uso pessoal. Você pode usar, modificar ou compartilhar passagens de texto curto deste trabalho com atribuição adequada ao autor. No entanto, se você planeja modificar e/ou compartilhar partes substanciais deste livro para outros escritos, como postagens de blog, artigo de revista ou material de ensino, entre em contato com o autor para obter permissão.
Os números e os gráficos marcados por um Creative Commons Attribution-ShareAlike 4.0 International são livres para compartilhar sob os respectivos termos de licença (conforme listado na seção Internacional Creative Commons Attribution-Sharealike 4.0 no arquivo de licença) e atribuição adequada.
Gostaria de agradecer aos leitores especiais aos leitores, que pegaram vários erros de digitação e erros e ofereceram sugestões para esclarecer meus escritos.
