掌握深度学习数学原理、编程实战经验 轻松构建复杂实际项目的深度学习方案 本书重点在帮你掌握深度学习所要求的数学原理和编程实战经验,使你能快速使用TensorFlow轻松部署产品中的深度学习解决方案,并形成开发深度学习架构和解决方案时所需的数学理解和直觉。 深入浅出讲解数学基础、深度学习与TensorFlow、卷积神经网络、自然语言处理、无监督学习、不错神经网络等内容,帮助你快速理解数学基础、理论知识,掌握实际项目开发经验,迅速胜任学习、工作要求。本书特点: 通过使用TensorFlow深入理解全栈深度学习,并为深度学习奠定坚实的数学基础。 使用TensorFlow在实际项目中部署复杂的深度学习解决方案。 深入深度学习研究,并使用TensorFlow进行具体项目实践。
本书重点在帮你掌握深度学习所要求的数学原理和编程实战经验,使你能快速使用TensorFlow轻松部署产品中的深度学习解决方案,并形成开发深度学习架构和解决方案时所需的数学理解和直觉。 本书提供了丰富的理论和实战动手经验,使你可以从零开始掌握深度学习,并能快速部署有价值的深度学习解决方案。本书重点讲解了与多个行业相关的深度学习实践方面的专业知识。通过这些实战经验,你将能够使用原型来构建新的深度学习应用程序。本书适合谁 正在研究深度学习解决方案以解决复杂业务问题的数据科学家和机器学习专业人员。 通过TensorFlow开发深度学习解决方案的软件开发人员。 渴望不断学习的师生和人工智能爱好者。
关于作者Santanu Pattanayak,目前在GE数字集团(GE Digital)担任不错数据科学家。Santanu具有10年的总体工作经验,6年以上的数据分析/数据科学领域的经验,同时还具有研发和数据库技术的背景。在加入GE之前,Santanu曾在RBS、Capgemini和IBM等公司工作。他还是一名狂热的数学爱好者,在数据科学黑客马拉松和Kaggle竞赛等的优选500强排名中名列前茅。
原书前言章 数学基础//1 1.1 线性代数//2 1.1.1 向量//2 1.1.2 标量//2 1.1.3 矩阵//3 1.1.4 张量//3 1.1.5 矩阵的运算和操作//4 1.1.6 向量的线性独立//6 1.1.7 矩阵的秩//8 1.1.8 单位矩阵或恒等运算符//8 1.1.9 矩阵的行列式//9 1.1.10 逆矩阵//10 1.1.11 向量的范数(模)//11 1.1.12 伪逆矩阵//12 1.1.13 以特定向量为方向的单位向量//12 1.1.14 一个向量在另一个向量方向上的投影(或射影)//12 1.1.15 特征向量//12 1.2 微积分//17 1.2.1 微分//17 1.2.2 函数的梯度//17 1.2.3 连续偏导数//18 1.2.4 海森矩阵//18 1.2.5 函数的极大值和极小值//18 1.2.6 局部极小值和全局最小值//20 1.2.7 半正定以及正定矩阵//21 1.2.8 凸集//21 1.2.9 凸函数//22 1.2.10 非凸函数//22 1.2.11 多变量凸函数以及非凸函数范例//23 1.2.12 泰勒级数//24 1.3 概率//24 1.3.1 并集、交集和条件概率//25 1.3.2 事件交集概率的链式法则//26 1.3.3 互斥事件//26 1.3.4 事件独立性//27 1.3.5 事件条件独立性//27 1.3.6 贝叶斯定理(公式)//27 1.3.7 概率质量函数//28 1.3.8 概率密度函数//28 1.3.9 随机变量的数学期望//28 1.3.10 随机变量的方差//28 1.3.11 偏度和峰度//29 1.3.12 协方差//30 1.3.13 相关性系数//31 1.3.14 一些常见的概率分布//31 1.3.15 似然函数//34 1.3.16 优选似然估计//35 1.3.17 假设检验和p值//36 1.4 机器学习算法的制定与优化算法//38 1.4.1 监督学习//38 1.4.2 无监督学习//45 1.4.3 机器学习的优化算法//45 1.4.4 约束优化问题//53 1.5 机器学习中的几个重要主题//54 1.5.1 降维方法//54 1.5.2 正则化//5 1.5.3 约束优化问题中的正则化//59 1.6 总结//60第2章 深度学习概念和TensorFlow介绍//61 2.1 深度学习及其发展//61 2.2 感知机和感知机学习算法//63 2.2.1 感知机学习的几何解释//65 2.2.2 感知机学习的局限性//66 2.2.3 非线性需求//68 2.2.4 隐藏层感知机的非线性激活函数//69 2.2.5 神经元或感知机的不同激活函数//70 2.2.6 多层感知机网络的学习规则//74 2.2.7 梯度计算的反向传播//75 2.2.8 反向传播方法推广到梯度计算//76 2.3 TensorFlow //82 2.3.1 常见的深度学习包//82 2.3.2 TensorFlow的安装//83 2.3.3 TensorFlow的开发基础//83 2.3.4 深度学习视角下的梯度下降优化方法//86 2.3.5 随机梯度下降的小批量方法中的学习率//90 2.3.6 TensorFlow中的优化器//90 2.3.7 TensorFlow实现XOR//96 2.3.8 TensorFlow中的线性回归//100 2.3.9 使用全批量梯度下降的SoftMax函数多分类//103 2.3.10 使用随机梯度下降的SoftMax函数多分类//105 2.4 GPU //107 2.5 总结//108第3章 卷积神经网络//109 3.1 卷积操作//109 3.1.1 线性时不变和线性移不变系统//109 3.1.2 一维信号的卷积//111 3.2 模拟信号和数字信号//112 3.2.1 二维和三维信号//113 3.3 二维卷积//114 3.3.1 二维单位阶跃函数//114 3.3.2 LSI系统中单位阶跃响应信号的二维卷积//115 3.3.3 不同的LSI系统中图像的二维卷积//117 3.4 常见的图像处理滤波器//120 3.4.1 均值滤波器//120 3.4.2 中值滤波器//122 3.4.3 高斯滤波器//122 3.4.4 梯度滤波器//123 3.4.5 Sobel边缘检测滤波器//125 3.4.6 恒等变换//127 3.5 卷积神经网络//128 3.6 卷积神经网络的组成部分//128 3.6.1 输入层//129 3.6.2 卷积层//129 3.6.3 池化层//131 3.7 卷积层中的反向传播//131 3.8 池化层中的反向传播//134 3.9 卷积中的权值共享及其优点//136 3.10 平移同变性//136 3.11 池化的平移不变性//137 3.12 舍弃层和正则化//138 3.13 MNIST数据集上进行手写数字识别的卷积神经网络//140 3.14 用来解决现实问题的卷积神经网络//144 3.15 批规范化//151 3.16 卷积神经网络中的几种不同的网络架构//153 3.16.1 LeNet//153 3.16.2 AlexNet//154 3.16.3 VGG16//155 3.16.4 ResNet//156 3.17 迁移学习//157 3.17.1 迁移学习的使用指导//158 3.17.2 使用谷歌InceptionV3网络进行迁移学习//159 3.17.3 使用预训练的VGG16网络迁移学习//162 3.18 总结//166第4章 基于循环神经网络的自然语言处理//167 4.1 向量空间模型//167 4.2 单词的向量表示//170 4.3 Word2Vec//170 4.3.1 CBOW //171 4.3.2 CBOW 在TensorFl