deep learning book
1.0.0
ที่เก็บข้อมูลสำหรับหนังสือ แนะนำเกี่ยวกับเครือข่ายประสาทเทียมและการเรียนรู้อย่างลึกซึ้ง: คู่มือปฏิบัติพร้อมแอปพลิเคชันใน Python
การเรียนรู้อย่างลึกซึ้งไม่ได้เป็นเพียงการพูดคุยของเมืองในหมู่คนเทคโนโลยี การเรียนรู้อย่างลึกซึ้งช่วยให้เราสามารถแก้ไขปัญหาที่ซับซ้อนฝึกอบรมเครือข่ายประสาทเทียมเพื่อรับรู้รูปแบบที่ซับซ้อนสำหรับการจดจำภาพและการพูด ในหนังสือเล่มนี้เราจะดำเนินการต่อที่ที่เราทิ้งไว้ใน การเรียนรู้ของเครื่อง Python และใช้อัลกอริทึมการเรียนรู้ลึกใน Pytorch
ที่เก็บนี้จะมีคำแนะนำตัวอย่างโค้ดและโซลูชันสำหรับส่วน การปฏิบัติ และ การออกกำลังกาย ของแต่ละบท
หนังสือเล่ม PDF และ ebook ของหนังสือเล่มนี้จะวางจำหน่ายจาก LeanPub
ISBN-10: [TBA]
ISBN-13: [TBA]
ปกอ่อน: EST. 2018
01 - บทนำ
02 - The Perceptron
03 - การเพิ่มประสิทธิภาพฟังก์ชั่นต้นทุนด้วยการไล่ระดับสี
04 - การถดถอยโลจิสติกและการถดถอย softmax
05 - จากการถดถอย softmax ไปยังหลายชั้น perceptrons
06 - การตรวจสอบข้ามและตัวชี้วัดประสิทธิภาพ
07 - การทำให้เป็นมาตรฐานในเครือข่ายประสาท
08 - อัตราการเรียนรู้และการเริ่มต้นน้ำหนัก
09 - เครือข่ายประสาท Convolutional
10 - เครือข่ายประสาทกำเริบ
11 - Autoencoders
12 - เครือข่ายประสาททั่วไป
13 - แบบจำลองการกำเนิดลึก
14 - การเรียนรู้เสริมแรง
ภาคผนวก A: สัญกรณ์คณิตศาสตร์ [PDF]
ภาคผนวก B: พื้นฐานพีชคณิต [PDF]
ภาคผนวก C: Essential เชิงเส้นเชิงเส้น
ภาคผนวก D: แคลคูลัสและความแตกต่างไพรเมอร์ [PDF]
ภาคผนวก E: ภาพรวมทฤษฎีความน่าจะเป็น
ภาคผนวก F: การอ้างอิงอนุสัญญา Notational
ภาคผนวก G: การตั้งค่า Python
ภาคผนวก H: บทนำสู่ NumPy [PDF] [Code Notebook]
ภาคผนวก I: Pytorch Basics
ภาคผนวก I (alt.): tensorflow พื้นฐาน [PDF] [Code Notebook]
ภาคผนวก J: Cloud Computing [PDF]
การเรียนรู้ของเครื่องได้กลายเป็นส่วนสำคัญในชีวิตของเรา - ในฐานะผู้บริโภคลูกค้าและหวังว่าในฐานะนักวิจัยและผู้ปฏิบัติงาน! ฉันขอขอบคุณข้อเสนอแนะที่ดีทั้งหมดที่คุณส่งให้ฉันเกี่ยวกับ การเรียนรู้ของเครื่อง Python และฉันมีความสุขมากที่ได้ยินว่าคุณพบว่ามันมีประโยชน์ในการเรียนรู้เพื่อช่วยคุณในการใช้งานทางธุรกิจและโครงการวิจัย ฉันได้รับอีเมลมากมายตั้งแต่เปิดตัว นอกจากนี้ในอีเมลเหล่านี้คุณกำลังถามฉันเกี่ยวกับ prequel หรือภาคต่อที่เป็นไปได้
ในขั้นต้นฉันมีแนวโน้มที่จะเขียนเพิ่มเติมเกี่ยวกับชิ้นส่วน "คณิตศาสตร์" ซึ่งอาจเป็นอุปสรรค์ที่แท้จริงสำหรับเกือบทุกคนที่ไม่มี (หรือแม้แต่) คณิตศาสตร์ที่สำคัญในวิทยาลัย ตอนแรกฉันคิดว่าการเขียนหนังสือเกี่ยวกับ "Machine Learning Math" เป็นสิ่งที่ยอดเยี่ยมที่ต้องทำ ตอนนี้ฉันมีธนบัตร ~ 15 บทเกี่ยวกับ pre-calculus, แคลคูลัส, พีชคณิตเชิงเส้นสถิติและทฤษฎีความน่าจะเป็น อย่างไรก็ตามในที่สุดฉันก็มาถึงข้อสรุปว่ามีหนังสือคณิตศาสตร์อื่น ๆ อีกมากมายที่นั่นอยู่แล้ว! ส่วนใหญ่ของพวกเขาดีกว่าและครอบคลุมและแม่นยำกว่าศักยภาพของฉัน ~ 500 หน้าแนะนำหัวข้อที่ฉันมีในร้าน ท้ายที่สุดฉันคิดว่าแรงจูงใจที่แท้จริงสำหรับการเรียนรู้และการทำความเข้าใจเรื่องมาจากความตื่นเต้นเกี่ยวกับเรื่องนี้ในตอนแรก หากคุณหลงใหลเกี่ยวกับการเรียนรู้ของเครื่องจักรและคุณสะดุดกฎโซ่ในแคลคูลัสคุณจะไม่มีปัญหาในการค้นหาทรัพยากรที่เชื่อถือได้ผ่านเครื่องมือค้นหาที่คุณชื่นชอบในทุกวันนี้
ดังนั้นแทนที่จะเขียนว่า "prequel" ให้ฉันเขียนเกี่ยวกับสิ่งที่สร้างขึ้นบนแนวคิดที่ฉันแนะนำในบทต่อมาของ การเรียนรู้ของเครื่อง Python - อัลกอริทึมสำหรับการเรียนรู้อย่างลึกซึ้ง หลังจากที่เราเขียนรหัสหลายชั้น perceptron (เครือข่ายประสาทเทียมแบบฟีดไปข้างหน้า) ตั้งแต่เริ่มต้นเราได้ดูห้องสมุด Python สั้น ๆ สำหรับการใช้อัลกอริทึมการเรียนรู้ลึกและฉันแนะนำเครือข่ายประสาทและการเกิดซ้ำในระดับแนวคิด
ในหนังสือเล่มนี้ฉันต้องการดำเนินการต่อที่ที่ฉันออกไปและต้องการใช้เครือข่ายประสาทลึกและอัลกอริทึมสำหรับอัลกอริทึมการเรียนรู้ลึกนับตั้งแต่เริ่มต้นโดยใช้ Python, Numpy และ Scipy ตลอดการเดินทางเพื่อการศึกษานี้ นอกเหนือจากซ้อนวิทยาศาสตร์ Vanilla Python แล้วเรายังจะใช้อัลกอริทึมเหล่านี้ใน TensorFlow ซึ่งเป็นห้องสมุดการเรียนรู้เชิงลึกที่มีประสิทธิภาพสูง แต่เข้าถึงได้ง่ายสำหรับการดำเนินการและการเรียนรู้อย่างลึกซึ้งกับปัญหาในโลกแห่งความเป็นจริง
รหัสทั้งหมดในที่เก็บนี้ (รวมถึงตัวอย่างรหัสใน Jupyter Notebooks) เป็นเนื้อหาโอเพ่นซอร์สที่เผยแพร่ภายใต้ใบอนุญาตซอฟต์แวร์ MIT ในระยะสั้นใบอนุญาต MIT ที่อนุญาตให้คุณทำทุกอย่างด้วยรหัสที่มีการระบุแหล่งที่มาที่เหมาะสมและไม่มีการรับประกัน โปรดตรวจสอบใบอนุญาต MIT สำหรับรายละเอียดเพิ่มเติม
เนื้อหาที่ไม่ใช่รหัสทั้งหมดและงานสร้างสรรค์ในพื้นที่เก็บข้อมูลนี้รวมถึงข้อความและกราฟิกอยู่ภายใต้ลิขสิทธิ์พิเศษโดยผู้แต่ง Sebastian Raschka เว้นแต่จะระบุไว้เป็นอย่างอื่นเนื้อหาข้อความที่ใช้ร่วมกันในที่เก็บนี้มีไว้สำหรับการใช้งานส่วนตัวเท่านั้น คุณสามารถใช้แก้ไขหรือแบ่งปันข้อความสั้น ๆ ของงานนี้ด้วยการระบุแหล่งที่มาที่เหมาะสมกับผู้แต่ง อย่างไรก็ตามหากคุณวางแผนที่จะแก้ไขและ/หรือแบ่งปันบางส่วนของหนังสือเล่มนี้สำหรับงานเขียนอื่น ๆ เช่นโพสต์บล็อกบทความนิตยสารหรือสื่อการสอนติดต่อผู้เขียนเพื่อขออนุญาต
ตัวเลขและกราฟิกที่ทำเครื่องหมายโดย Creative Commons Attribution-Sharealike 4.0 International มีอิสระที่จะแบ่งปันภายใต้ข้อกำหนดใบอนุญาตที่เกี่ยวข้อง (ตามที่ระบุไว้ในส่วนของ Creative Commons แหล่งที่มา-Sharealike 4.0 International ในไฟล์ใบอนุญาต) และการระบุแหล่งที่มาที่เหมาะสม
ฉันขอขอบคุณเป็นพิเศษกับผู้อ่านที่จับความผิดพลาดและข้อผิดพลาดต่าง ๆ และเสนอคำแนะนำเพื่อชี้แจงการเขียนของฉัน
