深度學習之美：AI時代的數(shù)據(jù)處理與最佳實踐

第１章 一入侯門“深”似海，深度學習深幾許 1
1.1 深度學習的巨大影響 2
1.2 什么是學習 4
1.3 什么是機器學習 4
1.4 機器學習的4個象限 5
1.5 什么是深度學習 6
1.6 “戀愛”中的深度學習 7
1.7 深度學習的方法論 9
1.8 有沒有淺層學習 13
1.9 本章小結(jié) 14
1.10 請你思考 14
參考資料 14
第2章 人工“碳”索意猶盡，智能“硅”來未可知 16
2.1 信數(shù)據(jù)者得永生嗎 17
2.2 人工智能的“江湖定位” 18
2.3 深度學習的歸屬 19
2.4 機器學習的形式化定義 21
2.5 為什么要用神經(jīng)網(wǎng)絡 24
2.6 人工神經(jīng)網(wǎng)絡的特點 26
2.7 什么是通用近似定理 27
2.8 本章小結(jié) 31
2.9 請你思考 31
參考資料 31
第3章 “機器學習”三重門，“中庸之道”趨若人 33
3.1 監(jiān)督學習 34
3.1.1 感性認知監(jiān)督學習 34
3.1.2 監(jiān)督學習的形式化描述 35
3.1.3 k-近鄰算法 37
3.2 非監(jiān)督學習 39
3.2.1 感性認識非監(jiān)督學習 39
3.2.2 非監(jiān)督學習的代表—K均值聚類 41
3.3 半監(jiān)督學習 45
3.4 從“中庸之道”看機器學習 47
3.5 強化學習 49
3.6 本章小結(jié) 52
3.7 請你思考 53
參考資料 53
第4章 人生苦短對酒歌， 我用Python樂趣多 55
4.1 Python概要 56
4.1.1 為什么要用Python 56
4.1.2 Python中常用的庫 58
4.2 Python的版本之爭 61
4.3 Python環(huán)境配置 65
4.3.1 Windows下的安裝與配置 65
4.3.2 Mac下的安裝與配置 72
4.4 Python編程基礎 76
4.4.1 如何運行Python代碼 77
4.4.2 代碼縮進 79
4.4.3 注釋 80
4.4.4 Python中的數(shù)據(jù)結(jié)構(gòu) 81
4.4.5 函數(shù)的設計 93
4.4.6 模塊的導入與使用 101
4.4.7 面向?qū)ο蟪绦蛟O計 102
4.5 本章小結(jié) 112
4.6 請你思考 112
參考資料 113
第5章 機器學習終覺淺，Python帶我來實踐 114
5.1 線性回歸 115
5.1.1 線性回歸的概念 115
5.1.2 簡易線性回歸的Python實現(xiàn)詳解 119
5.2 k-近鄰算法 139
5.2.1 k-近鄰算法的三個要素 140
5.2.2 k-近鄰算法實戰(zhàn) 143
5.2.3 使用scikit-learn實現(xiàn)k-近鄰算法 155
5.3 本章小結(jié) 162
5.4 請你思考 162
參考資料 162
第6章 神經(jīng)網(wǎng)絡不勝語，M-P模型似可尋 164
6.1 M-P神經(jīng)元模型是什么 165
6.2 模型背后的那些人和事 167
6.3 激活函數(shù)是怎樣的一種存在 175
6.4 什么是卷積函數(shù) 176
6.5 本章小結(jié) 177
6.6 請你思考 178
參考資料 178
第7章 Hello World感知機，懂你我心才安息 179
7.1 網(wǎng)之初，感知機 180
7.2 感知機名稱的由來 180
7.3 感性認識“感知機” 183
7.4 感知機是如何學習的 185
7.5 感知機訓練法則 187
7.6 感知機的幾何意義 190
7.7 基于Python的感知機實戰(zhàn) 191
7.8 感知機的表征能力 196
7.9 本章小結(jié) 199
7.10 請你思考 199
參考資料 199
第8章 損失函數(shù)減肥用，神經(jīng)網(wǎng)絡調(diào)權(quán)重 201
8.1 多層網(wǎng)絡解決“異或”問題 202
8.2 感性認識多層前饋神經(jīng)網(wǎng)絡 205
8.3 是淺而“胖”好，還是深而“瘦”佳 209
8.4 分布式特征表達 210
8.5 丟棄學習與集成學習 211
8.6 現(xiàn)實很豐滿，理想很骨感 212
8.7 損失函數(shù)的定義 213
8.8 熱力學定律與梯度彌散 215
8.9 本章小結(jié) 216
8.10 請你思考 216
參考資料 217
第9章 山重水復疑無路，最快下降問梯度 219
9.1 “鳥飛派”還飛不 220
9.2 1986年的那篇神作 221
9.3 多層感知機網(wǎng)絡遇到的大問題 222
9.4 神經(jīng)網(wǎng)絡結(jié)構(gòu)的設計 225
9.5 再議損失函數(shù) 227
9.6 什么是梯度 229
9.7 什么是梯度遞減 231
9.8 梯度遞減的線性回歸實戰(zhàn) 235
9.9 什么是隨機梯度遞減 238
9.10 利用SGD解決線性回歸實戰(zhàn) 240
9.11 本章小結(jié) 247
9.12 請你思考 248
參考資料 248
第10章 BP算法雙向傳，鏈式求導最纏綿 249
10.1 BP算法極簡史 250
10.2 正向傳播信息 251
10.3 求導中的鏈式法則 255
10.4 誤差反向傳播 264
10.4.1 基于隨機梯度下降的BP算法 265
10.4.2 輸出層神經(jīng)元的權(quán)值訓練 267
10.4.3 隱含層神經(jīng)元的權(quán)值訓練 270
10.4.4 BP算法的感性認知 273
10.4.5 關于BP算法的補充說明 278
10.5 BP算法實戰(zhàn)詳細解釋 280
10.5.1 初始化網(wǎng)絡 280
10.5.2 信息前向傳播 282
10.5.3 誤差反向傳播 285
10.5.4 訓練網(wǎng)絡（解決異或問題） 288
10.5.5 利用BP算法預測小麥品種的分類 293
10.6 本章小結(jié) 301
10.7 請你思考 302
參考資料 304
第11章 一騎紅塵江湖笑，TensorFlow谷歌造 305
11.1 TensorFlow概述 306
11.2 深度學習框架比較 309
11.2.1 Theano 309
11.2.2 Keras 310
11.2.3 Caffe 311
11.2.4 PyTorch 312
11.3 TensorFlow的安裝 313
11.3.1 Anaconda的安裝 313
11.3.2 TensorFlow的CPU版本安裝 315
11.3.3 TensorFlow的源碼編譯 323
11.4 Jupyter Notebook的使用 331
11.4.1 Jupyter Notebook的由來 331
11.4.2 Jupyter Notebook的安裝 333
11.5 TensorFlow中的基礎語法 337
11.5.1 什么是數(shù)據(jù)流圖 338
11.5.2 構(gòu)建第一個TensorFlow數(shù)據(jù)流圖 339
11.5.3 可視化展現(xiàn)的TensorBoard 342
11.5.4 TensorFlow的張量思維 346
11.5.5 TensorFlow中的數(shù)據(jù)類型 348
11.5.6 TensorFlow中的操作類型 353
11.5.7 TensorFlow中的Graph對象 356
11.5.8 TensorFlow中的Session 358
11.5.9 TensorFlow中的placeholder 361
11.5.10 TensorFlow中的Variable對象 363
11.5.11 TensorFlow中的名稱作用域 365
11.5.12 張量的Reduce方向 367
11.6 手寫數(shù)字識別MNIST 372
11.6.1 MNIST數(shù)據(jù)集簡介 373
11.6.2 MNIST數(shù)據(jù)的獲取與預處理 375
11.6.3 分類模型的構(gòu)建—Softmax Regression 378
11.7 TensorFlow中的Eager執(zhí)行模式 394
11.7.1 Eager執(zhí)行模式的背景 394
11.7.2 Eager執(zhí)行模式的安裝 395
11.7.3 Eager執(zhí)行模式的案例 395
11.7.4 Eager執(zhí)行模式的MNIST模型構(gòu)建 398
11.8 本章小結(jié) 401
11.9 請你思考 402
參考資料 403
第12章 全面連接困何處，卷積網(wǎng)絡顯神威 404
12.1 卷積神經(jīng)網(wǎng)絡的歷史 405
12.1.1 眼在何方？路在何方？ 405
12.1.2 卷積神經(jīng)網(wǎng)絡的歷史脈絡 406
12.1.3 那場著名的學術賭局 410
12.2 卷積神經(jīng)網(wǎng)絡的概念 412
12.2.1 卷積的數(shù)學定義 412
12.2.2 生活中的卷積 413
12.3 圖像處理中的卷積 414
12.3.1 計算機“視界”中的圖像 414
12.3.2 什么是卷積核 415
12.3.3 卷積在圖像處理中的應用 418
12.4 卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu) 420
12.5 卷積層要義 422
12.5.1 卷積層的設計動機 422
12.5.2 卷積層的局部連接 427
12.5.3 卷積層的3個核心概念 428
12.6 細說激活層 434
12.7 詳解池化層 442
12.8 勿忘全連接層 445
12.9 本章小結(jié) 446
12.10 請你思考 447
參考資料 448
第13章 紙上談兵終覺淺，絕知卷積要編程 450
13.1 TensorFlow的CNN架構(gòu) 451
13.2 卷積層的實現(xiàn) 452
13.3 激活函數(shù)的使用 460
13.4 池化層的實現(xiàn) 466
13.5 規(guī)范化層 470
13.6 卷積神經(jīng)網(wǎng)絡在MNIST分類器中的應用 480
13.7 經(jīng)典神經(jīng)網(wǎng)絡——AlexNet的實現(xiàn) 488
13.8 本章小結(jié) 495
13.9 請你思考 496
參考資料 496
第14章 循環(huán)遞歸RNN，序列建模套路深 498
14.1 你可能不具備的一種思維 499
14.2 標準神經(jīng)網(wǎng)絡的缺陷所在 501
14.3 RNN簡史 502
14.4 RNN的理論基礎 506
14.5 RNN的結(jié)構(gòu) 509
14.6 循環(huán)神經(jīng)網(wǎng)絡的訓練 512
14.7 基于RNN的TensorFlow實戰(zhàn)——正弦序列預測 514
14.8 本章小結(jié) 524
14.9 請你思考 524
參考資料 525
第15章 LSTM長短記，長序依賴可追憶 526
15.1 遺忘是好事還是壞事 527
15.2 施密德胡伯是何人 527
15.3 為什么需要LSTM 529
15.4 拆解LSTM 530
15.5 LSTM的前向計算 533
15.6 LSTM的訓練流程 539
15.7 自然語言處理的一個假設 540
15.8 詞向量表示方法 542
15.9 自然語言處理的統(tǒng)計模型 549
15.10 基于Penn Tree Bank的自然語言處理實戰(zhàn) 560
15.11 本章小結(jié) 579
15.12 請你思考 580
參考資料 580
第16章 卷積網(wǎng)絡雖動人，膠囊網(wǎng)絡更傳“神” 583
16.1 從神經(jīng)元到神經(jīng)膠囊 584
16.2 卷積神經(jīng)網(wǎng)絡面臨的挑戰(zhàn) 584
16.3 神經(jīng)膠囊的提出 588
16.4 神經(jīng)膠囊理論初探 591
16.5 神經(jīng)膠囊的實例化參數(shù) 594
16.6 神經(jīng)膠囊的工作流程 598
16.7 CapsNet的驗證與實驗 614
16.8 神經(jīng)膠囊網(wǎng)絡的TensorFlow實現(xiàn) 618
16.9 本章小結(jié) 644
16.10 請你思考 645
16.11 深度學習美在何處 646
參考資料 647
后記 648
索引 651

版面有限，完整目錄請見本書