deep learning book
1.0.0
《人造神經網絡和深度學習簡介》一書的存儲庫：Python應用的實用指南。
深度學習不僅是技術人員中該鎮的話題。深度學習使我們能夠解決複雜的問題，訓練人工神經網絡，以識別圖像和語音識別的複雜模式。在本書中，我們將繼續在Python機器學習中留下來，並在Pytorch中實施深度學習算法。
該存儲庫將包含每章動手和鍛煉部分的說明，代碼示例和解決方案。
該書的PDF和電子書版本將從LeanPub獲得。
ISBN-10：[TBA]
ISBN-13：[TBA]
平裝本：EST。 2018
01-簡介
02-感知者
03-通過梯度下降優化成本功能
04-邏輯回歸和SoftMax回歸
05-從軟馬克斯回歸到多層感知器
06-交叉驗證和性能指標
07-神經網絡中的正則化
08-學習率和權重初始化
09-卷積神經網絡
10-復發性神經網絡
11-自動編碼器
12-一般對手神經網絡
13-深生成模型
14-強化學習
附錄A：數學符號[PDF]
附錄B：代數基礎[PDF]
附錄C：線性代數必需品
附錄D：微積分和分化引物[PDF]
附錄E：概率理論概述
附錄F：符號慣例參考
附錄G：Python設置
附錄H：Numpy [PDF]簡介[代碼筆記本]
附錄I：Pytorch基礎知識
附錄I（Alt。）：TensorFlow Basics [PDF] [代碼筆記本]
附錄J：雲計算[PDF]
機器學習已成為我們生活的核心部分 - 作為消費者，客戶以及希望作為研究人員和從業者！我感謝您向我發送了有關Python機器學習的所有不錯的反饋，我很高興聽到您發現它是學習指南非常有用的，可以幫助您進行業務應用程序和研究項目。自發布以來，我收到了許多電子郵件。另外，在這些電子郵件中，您問我可能的前傳或續集。
最初，我傾向於寫更多有關“數學”部分的文章，這對於幾乎每個人（甚至沒有）數學專業的人來說，這可能是一個真正的障礙。最初，我認為寫一本關於“機器學習數學”的書是一件很酷的事情。現在，我有關於前icl骨，微積分，線性代數，統計和概率理論的約15章。但是，我最終得出結論，那裡已經有太多其他數學書籍了！他們中的大多數人比我在商店中使用的主題的500頁介紹要好得多，更全面，更準確。畢竟，我認為學習和理解主題的真正動機首先是對此感到興奮。如果您對機器學習充滿熱情，並且偶然發現了微積分中的鏈條規則，那麼如今，您沒有任何問題可以通過您喜歡的搜索引擎找到可信賴的資源。
因此，我沒有寫出“前傳”，而是讓我寫一些關於我在Python Machine Learne的後面章節中介紹的概念建立的東西 - 深度學習算法。在我們從Scratch編碼了一個多層感知器（某種類型的Feedforward人工神經網絡）之後，我們簡要介紹了一些Python庫，用於實現深度學習算法，我在概念級別介紹了卷積和反复的神經網絡。
在這本書中，我想繼續在此留下來，並希望在整個教育過程中使用Python，Numpy和Scipy實施深度學習算法的深度神經網絡和算法。除了香草python Science-stack外，我們還將在Tensorflow，高性能但非常易於訪問的深度學習庫中實施這些算法，以實施和將深度學習應用於現實世界中的問題。
此存儲庫中的所有代碼（包括jupyter筆記本中的代碼示例）是根據MIT軟件許可證發布的開源內容。簡而言之，寬鬆的MIT許可證允許您使用適當歸因和沒有保修的代碼來執行任何操作；請檢查麻省理工學院許可證通知以獲取更多詳細信息。
作者塞巴斯蒂安·拉斯奇卡（Sebastian Raschka）的獨家版權，該存儲庫中的所有非編碼內容和創意作品，包括文本和圖形。除非另有說明，否則此存儲庫中共享的文本內容僅用於個人使用。您可以使用，修改或共享此工作的簡短文本段落，並適當地歸因於作者。但是，如果您打算修改和/或共享本書的大量著作，例如博客文章，雜誌文章或教學材料，請與作者聯繫以獲取許可。
以創意共享屬性共享4.0國際標記的數字和圖形可以根據各自的許可條款免費共享（如Creative Commons Attribution-ShareAtike 4.0國際段中所列的，在許可證文件中）和適當的歸屬。
我要特別感謝讀者，讀者遇到了各種錯別字和錯誤，並提出了澄清我的寫作的建議。
