deep learning book
1.0.0
《人造神经网络和深度学习简介》一书的存储库：Python应用的实用指南。
深度学习不仅是技术人员中该镇的话题。深度学习使我们能够解决复杂的问题，训练人工神经网络，以识别图像和语音识别的复杂模式。在本书中，我们将继续在Python机器学习中留下来，并在Pytorch中实施深度学习算法。
该存储库将包含每章动手和锻炼部分的说明，代码示例和解决方案。
该书的PDF和电子书版本将从LeanPub获得。
ISBN-10：[TBA]
ISBN-13：[TBA]
平装本：EST。2018
01-简介
02-感知者
03-通过梯度下降优化成本功能
04-逻辑回归和SoftMax回归
05-从软马克斯回归到多层感知器
06-交叉验证和性能指标
07-神经网络中的正则化
08-学习率和权重初始化
09-卷积神经网络
10-复发性神经网络
11-自动编码器
12-一般对手神经网络
13-深生成模型
14-强化学习
附录A：数学符号[PDF]
附录B：代数基础[PDF]
附录C：线性代数必需品
附录D：微积分和分化引物[PDF]
附录E：概率理论概述
附录F：符号惯例参考
附录G：Python设置
附录H：Numpy [PDF]简介[代码笔记本]
附录I：Pytorch基础知识
附录I（Alt。）：TensorFlow Basics [PDF] [代码笔记本]
附录J：云计算[PDF]
机器学习已成为我们生活的核心部分 - 作为消费者，客户以及希望作为研究人员和从业者！我感谢您向我发送了有关Python机器学习的所有不错的反馈，我很高兴听到您发现它是学习指南非常有用的，可以帮助您进行业务应用程序和研究项目。自发布以来，我收到了许多电子邮件。另外，在这些电子邮件中，您问我可能的前传或续集。
最初，我倾向于写更多有关“数学”部分的文章，这对于几乎每个人（甚至没有）数学专业的人来说，这可能是一个真正的障碍。最初，我认为写一本关于“机器学习数学”的书是一件很酷的事情。现在，我有关于前icl骨，微积分，线性代数，统计和概率理论的约15章。但是，我最终得出结论，那里已经有太多其他数学书籍了！他们中的大多数人比我在商店中使用的主题的500页介绍要好得多，更全面，更准确。毕竟，我认为学习和理解主题的真正动机首先是对此感到兴奋。如果您对机器学习充满热情，并且偶然发现了微积分中的链条规则，那么如今，您没有任何问题可以通过您喜欢的搜索引擎找到可信赖的资源。
因此，我没有写出“前传”，而是让我写一些关于我在Python Machine Learne的后面章节中介绍的概念建立的东西 - 深度学习算法。在我们从Scratch编码了一个多层感知器（某种类型的Feedforward人工神经网络）之后，我们简要介绍了一些Python库，用于实现深度学习算法，我在概念级别介绍了卷积和反复的神经网络。
在这本书中，我想继续在此留下来，并希望在整个教育过程中使用Python，Numpy和Scipy实施深度学习算法的深度神经网络和算法。除了香草python Science-stack外，我们还将在Tensorflow，高性能但非常易于访问的深度学习库中实施这些算法，以实施和将深度学习应用于现实世界中的问题。
此存储库中的所有代码（包括jupyter笔记本中的代码示例）是根据MIT软件许可证发布的开源内容。简而言之，宽松的MIT许可证允许您使用适当归因和没有保修的代码来执行任何操作；请检查麻省理工学院许可证通知以获取更多详细信息。
作者塞巴斯蒂安·拉斯奇卡（Sebastian Raschka）的独家版权，该存储库中的所有非编码内容和创意作品，包括文本和图形。除非另有说明，否则此存储库中共享的文本内容仅用于个人使用。您可以使用，修改或共享此工作的简短文本段落，并适当地归因于作者。但是，如果您打算修改和/或共享本书的大量著作，例如博客文章，杂志文章或教学材料，请与作者联系以获取许可。
以创意共享属性共享4.0国际标记的数字和图形可以根据各自的许可条款免费共享（如Creative Commons Attribution-ShareAtike 4.0国际段中所列的，在许可证文件中）和适当的归属。
我要特别感谢读者，读者遇到了各种错别字和错误，并提出了澄清我的写作的建议。
