deep learning book
1.0.0
Репозиторий для книги Введение в искусственные нейронные сети и глубокое обучение: практическое руководство с приложениями в Python .
Глубокое обучение - это не только разговоры о городе среди технических людей. Глубокое обучение позволяет нам решать сложные проблемы, обучать искусственные нейронные сети, чтобы распознать сложные закономерности для распознавания изображений и речи. В этой книге мы продолжим, где остановились в Python Machine Learning и внедрим алгоритмы глубокого обучения в Pytorch.
Этот репозиторий будет содержать инструкции, примеры кода и решения для практических и упражнений каждой главы.
PDF и электронные книги версии книги будут доступны в LeanPub.
ISBN-10: [TBA]
ISBN-13: [TBA]
Мягкая обложка: Est. 2018
01 - Введение
02 - персептрон
03 - Оптимизация функций затрат с градиентным происхождением
04 - Логистическая регрессия и регрессия Softmax
05 - От регрессии Softmax до многослойных персепттронов
06 - Метрики по перекрестной проверке и производительности
07 - регуляризация в нейронных сетях
08 - Скорость обучения и инициализация веса
09 - Служба нейронных сетей
10 - повторяющиеся нейронные сети
11 - Автокодеры
12 - Общие неронные сети.
13 - глубокие генеративные модели
14 - обучение подкрепления
Приложение A: Математическая нотация [PDF]
Приложение B: Основы алгебры [PDF]
Приложение C: линейная основательница алгебры
Приложение D: исчисление и праймер дифференциации [PDF]
Приложение E: Обзор теории вероятности
Приложение F: Ссылка на нотационные конвенции
Приложение G: настройка Python
Приложение H: Введение в Numpy [PDF] [Notebook Code]
Приложение I: Основы Pytorch
Приложение I (Alt.): Основы Tensorflow [PDF] [Кодовая ноутбук]
Приложение J: облачные вычисления [PDF]
Машинное обучение стало центральной частью нашей жизни - как потребителей, клиентов и, надеюсь, в качестве исследователей и практиков! Я ценю все хорошие отзывы, которые вы мне прислали о Python Machine Learning , и я так рад слышать, что вы нашли это настолько полезным, как руководство по обучению, помогая вам с вашими бизнес -приложениями и исследовательскими проектами. Я получил много электронных писем с момента его выпуска. Кроме того, в этих самых электронных письмах вы спрашивали меня о возможном приквеле или продолжении.
Первоначально я был склонен писать больше о «математических» частях, которые могут стать настоящим препятствием почти для всех, без (или даже с) математикой в колледже. Первоначально я думал, что написание книги о «Математике машинного обучения» было крутым. Теперь у меня есть примечания стоимостью ~ 15 глав о предварительном количестве, исчислении, линейной алгебре, статистике и теории вероятности. Тем не менее, я в конце концов пришел к выводу, что уже было слишком много других математических книг! Большинство из них гораздо лучше, более полны и точны, чем мой потенциал ~ 500 страниц введений в темы, которые у меня были в магазине. В конце концов, я думаю, что реальная мотивация для обучения и понимания предмета возникает в первую очередь из -за этого; Если вы увлечены машинным обучением и наткнулись на правило цепи в исчислении, у вас не будет никаких проблем, чтобы найти надежный ресурс через вашу любимую поисковую систему в наши дни.
Итак, вместо того, чтобы писать этот «приквел», позвольте мне написать о чем -то, что основано на понятиях, которые я представил в более поздних главах Python Machine Learning - алгоритмы для глубокого обучения. После того, как мы кодировали многослойный персептрон (определенный вид питательной искусственной нейронной сети), мы кратко рассмотрели некоторые библиотеки Python для реализации алгоритмов глубокого обучения, и я представил сверточные и рецидивирующие нейронные сети на концептуальном уровне.
В этой книге я хочу продолжить, где остановился, и хочу внедрить глубокие нейронные сети и алгоритмы для алгоритмов глубокого обучения с нуля, используя Python, Numpy и Scipy на протяжении всего образовательного путешествия. В дополнение к научному Stack Vanilla Python, мы будем реализовать эти алгоритмы в Tensorflow, высокопрофессиональную, но очень доступную библиотеку глубокого обучения для реализации и применения глубокого обучения к реальным проблемам.
Весь код в этом репозитории (включая примеры кода в ноутбуках Юпитера) является контентом с открытым исходным кодом, выпущенным по лицензии на программное обеспечение MIT. Короче говоря, разрешающая лицензия MIT позволяет вам делать что -либо с кодом с надлежащей атрибуцией и без гарантии; Пожалуйста, проверьте уведомление о лицензии MIT для получения дополнительной информации.
Все не код контент и творческая работа в этом хранилище, включая текст и графику, находится под эксклюзивным авторским правом автора Себастьяна Рашки. Если не указано иное, текстовый контент, используемый в этом репозитории, предназначен только для личного использования. Вы можете использовать, изменять или поделиться короткими текстовыми отрывками этой работы с надлежащей атрибуцией автору. Однако, если вы планируете изменить и/или делиться существенными частями этой книги для других работ, таких как посты в блоге, статья в журнале или учебные материалы, свяжитесь с автором за разрешение.
Цифры и графика, отмеченные Creative Commons Attribution-Sharealike 4.0 International, могут делиться в соответствии с соответствующими условиями лицензии (как указано в международном разделе Creative Commons Attribution-Sharealike 4.0 в файле лицензии) и надлежащей атрибуции.
Я хотел бы поблагодарить читателей, которые поймали различные опечатки и ошибки и предложили предложения для разъяснения моего письма.
