《深度学习之美：AI时代的数据处理与最佳实践》张玉宏【文字版_PDF电子书_推荐】
| 书名：深度学习之美 作者：张玉宏 出版社：电子工业出版社 译者：无 出版日期：2018-6 页数：682 ISBN：9787121342462 |
7.7 豆瓣短评 |
全网资源sm.nayona.cn |
内容简介：
深度学习是人工智能的前沿技术。本书深入浅出地介绍了深度学习的相关理论和实践，全书共分16章，采用理论和实践双主线写作方式。
第1章给出深度学习的大图。第2章和第3章，讲解了机器学习的相关基础理论。第4章和第5章，讲解了Python基础和基于Python的机器学习实战。第6至10章，先后讲解了M-P模型、感知机、多层神经网络、BP神经网络等知识。第11章讲解了被广泛认可的深度学习框架TensorFlow。第12章和第13章详细讲解了卷积神经网络，并给出了相关的实战项目。第14章和第15章，分别讲解了循环递归网络和长短期记忆(LSTM)网络。第16章讲解了神经胶囊网络，并给出了神经胶囊网络设计的详细论述和实践案例分析。
作者简介：
张玉宏，1980年3月生，河南罗山人，2012年博士毕业于电子科技大学，2009年~2011年在美国西北大学(Northwestern University)访学，电子科技大学博士后。阿里云栖社区认证技术专栏作家。发表SCI/EI论文10余篇，出版《品味大数据》等畅销着作2部，参编英文学术专着2部。主要研究方向为高性能计算、大数据、机器学习等。
目 录：
第1章 一入侯门“深”似海，深度学习深几许 ……….. 1
1.1 深度学习的巨大影响 ……………………………….2
1.2 什么是学习 ….. 4
1.3 什么是机器学习 ……………………………………. 4
1.4 机器学习的4个象限 ………………………………..5
1.5 什么是深度学习 …………………………………… 6
1.6 “恋爱”中的深度学习 ……………………………… 7
1.7 深度学习的方法论 …………………………………9
1.8 有没有浅层学习 ……………………………………13
1.9 本章小结 ……. 14
1.10 请你思考 ….. 14
参考资料 ……………. 14
第2章 人工“碳”索意犹尽，智能“硅”来未可知 . 16
2.1 信数据者得永生吗 ……………………………….17
2.2 人工智能的“江湖定位”…………………………. 18
2.3 深度学习的归属 ………………………………….19
2.4 机器学习的形式化定义 ………………………….21
2.5 为什么要用神经网络 ……………………………..24
2.6 人工神经网络的特点 ……………………………. 26
2.7 什么是通用近似定理 ……………………………. 27
2.8 本章小结 ……. 31
2.9 请你思考 ……. 31
参考资料 ……………. 31
第3章 “机器学习”三重门，“中庸之道”趋若人 … 33
3.1 监督学习 ……. 34
3.1.1 感性认知监督学习 …………………………….34
3.1.2 监督学习的形式化描述 ……………………… 35
3.1.3 k-近邻算法 …………………………………….37
3.2 非监督学习 … 39
3.2.1 感性认识非监督学习 ………………………… 39
3.2.2 非监督学习的代表—K均值聚类 ……….. 41
3.3 半监督学习 … 45
3.4 从“中庸之道”看机器学习………………………. 47
3.5 强化学习 ……. 49
3.6 本章小结 ……. 52
3.7 请你思考 ……. 53
参考资料 ……………. 53
第4章 人生苦短对酒歌， 我用Python乐趣多 ……..55
4.1 Python概要 … 56
4.1.1 为什么要用Python …………………………… 56
4.1.2 Python中常用的库 …………………………….58
4.2 Python的版本之争 ……………………………….61
4.3 Python环境配置 ………………………………… 65
4.3.1 Windows下的安装与配置 …………………….65
4.3.2 Mac下的安装与配置 ……………………………72
4.4 Python编程基础 ………………………………… 76
4.4.1 如何运行Python代码 …………………………..77
4.4.2 代码缩进 …………………………………………79
4.4.3 注释 … 80
4.4.4 Python中的数据结构 ………………………….. 81
4.4.5 函数的设计 ……………………………………… 93
4.4.6 模块的导入与使用 ……………………………… 101
4.4.7 面向对象程序设计 ……………………………… 102
4.5 本章小结 ….. 112
4.6 请你思考 ….. 112
参考资料 ………….. 113
第5章 机器学习终觉浅，Python带我来实践 ……… 114
5.1 线性回归 ….. 115
5.1.1 线性回归的概念 …………………………………115
5.1.2 简易线性回归的Python实现详解 ……….. 119
5.2 k-近邻算法 .. 139
5.2.1 k-近邻算法的三个要素 ……………………….. 140
5.2.2 k-近邻算法实战 …………………………………143
5.2.3 使用scikit-learn实现k-近邻算法 ………… 155
5.3 本章小结 ….. 162
5.4 请你思考 ….. 162
参考资料 ………….. 162
第6章 神经网络不胜语，M-P模型似可寻 …………. 164
6.1 M-P神经元模型是什么 …………………………..165
6.2 模型背后的那些人和事 ……………………………167
6.3 激活函数是怎样的一种存在……………………….175
6.4 什么是卷积函数 ……………………………………176
6.5 本章小结 ….. 177
6.6 请你思考 ….. 178
参考资料 ………….. 178
第7章 Hello World感知机，懂你我心才安息 ……… 179
7.1 网之初，感知机 …………………………………….180
7.2 感知机名称的由来 ………………………………….180
7.3 感性认识“感知机” ………………………………….183
7.4 感知机是如何学习的 ………………………………..185
7.5 感知机训练法则 ……………………………………..187
7.6 感知机的几何意义 …………………………………..190
7.7 基于Python的感知机实战 …………………………191
7.8 感知机的表征能力 …………………………………..196
7.9 本章小结 ….. 199
7.10 请你思考 … 199
参考资料 ………….. 199
第8章 损失函数减肥用，神经网络调权重 …………201
8.1 多层网络解决“异或”问题……………………… 202
8.2 感性认识多层前馈神经网络…………………… 205
8.3 是浅而“胖”好，还是深而“瘦”佳 …………….. 209
8.4 分布式特征表达 ………………………………….. 210
8.5 丢弃学习与集成学习 …………………………….. 211
8.6 现实很丰满，理想很骨感………………………… 212
8.7 损失函数的定义 ………………………………….. 213
8.8 热力学定律与梯度弥散 ………………………….. 215
8.9 本章小结 ….. 216
8.10 请你思考 … 216
参考资料 ………….. 217
第9章 山重水复疑无路，最快下降问梯度 ………….. 219
9.1 “鸟飞派”还飞不 ………………………………….. 220
9.2 1986年的那篇神作 ……………………………… 221
9.3 多层感知机网络遇到的大问题 ………………….. 222
9.4 神经网络结构的设计 …………………………….. 225
9.5 再议损失函数 …………………………………….. 227
9.6 什么是梯度 . 229
9.7 什么是梯度递减 …………………………………… 231
9.8 梯度递减的线性回归实战…………………………. 235
9.9 什么是随机梯度递减 ……………………………… 238
9.10 利用SGD解决线性回归实战 …………………… 240
9.11 本章小结 … 247
9.12 请你思考 … 248
参考资料 ………….. 248
第10章 BP算法双向传，链式求导最缠绵 …………. 249
10.1 BP算法极简史 ……………………………………. 250
10.2 正向传播信息 …………………………………….. 251
10.3 求导中的链式法则 ……………………………….. 255
10.4 误差反向传播 …………………………………….. 264
10.4.1 基于随机梯度下降的BP算法 ………….. 265
10.4.2 输出层神经元的权值训练 ………………… 267
10.4.3 隐含层神经元的权值训练 ………………… 270
10.4.4 BP算法的感性认知 …………………………. 273
10.4.5 关于BP算法的补充说明 …………………. 278
10.5 BP算法实战详细解释 ………………………….. 280
10.5.1 初始化网络 …………………………………… 280
10.5.2 信息前向传播 ………………………………… 282
10.5.3 误差反向传播 ………………………………… 285
10.5.4 训练网络(解决异或问题) …………….. 288
10.5.5 利用BP算法预测小麦品种的分类 …… 293
10.6 本章小结 … 301
10.7 请你思考 … 302
参考资料 ………….. 304
第11章 一骑红尘江湖笑，TensorFlow谷歌造 ……. 305
11.1 TensorFlow概述 ………………………………. 306
11.2 深度学习框架比较 ………………………………. 309
11.2.1 Theano ………………………………………. 309
浏览器不支持脚本！
有需要联系v；zhanxzhanx
摘要：《深度学习之美：AI时代的数据处理与最佳实践》张玉宏的文字版电子书是一本计算机类的著作。本书通过对深度学习和人工智能时代数据处理的深入探讨，提供了最佳实践方法和技巧，为读者提供了宝贵的学习资源。
1、深度学习简介
本书首先介绍了深度学习的基本概念和原理，包括神经网络、卷积神经网络和循环神经网络等。作者通过清晰简明的语言和实例，帮助读者理解深度学习的核心思想和基本原理。
接着，本章节详细讲解了深度学习的优势和应用场景，包括图像识别、自然语言处理和推荐系统等。通过实际案例的分析和解读，读者可以更好地了解深度学习在不同领域的应用。
最后，本章节还介绍了深度学习的训练方法和调优技巧，包括反向传播算法和正则化技术等。这些方法和技巧对于读者提高深度学习模型的准确性和效率非常有帮助。
2、数据处理与清洗
本书的第二部分主要讲解了数据处理和清洗的重要性以及常用的方法和工具。作者介绍了数据预处理的基本步骤，包括数据清洗、缺失值处理和异常值检测等。
接下来，本章节详细介绍了常用的数据清洗方法和技巧，包括数据去重、数据转换和数据归一化等。这些方法和技巧可以帮助读者提高数据的质量和准确性。
最后，本章节还介绍了数据处理的常用工具和软件，包括Python的数据处理库Pandas和数据可视化工具Matplotlib等。读者可以通过学习这些工具和技巧，更好地处理和分析数据。
3、特征工程与模型选择
本书的第三部分主要介绍了特征工程和模型选择的基本原理和方法。作者通过实际案例的分析和解读，向读者介绍了特征选择、特征提取和特征转换等重要概念。
接着，本章节详细讲解了常用的特征工程方法和技巧，包括主成分分析、特征组合和特征缩放等。这些方法和技巧对于读者提高模型的准确性和泛化能力非常有帮助。
最后，本章节还介绍了模型选择的基本原理和方法，包括交叉验证和模型评估等。通过学习这些方法和技巧，读者可以更好地选择适合自己任务的模型。
4、大数据处理与分布式计算
本书的第四部分主要讲解了大数据处理和分布式计算的基本原理和方法。作者通过实际案例的分析和解读，向读者介绍了大数据处理的挑战和解决方案。
接下来，本章节详细讲解了常用的大数据处理工具和技术，包括Hadoop、Spark和Flink等。这些工具和技术对于读者处理大规模数据和进行分布式计算非常有帮助。
最后，本章节还介绍了大数据处理的最佳实践和优化方法，包括数据分片和并行计算等。读者通过学习这些方法和技巧，可以更好地处理和分析大规模数据。
总结：
本书《深度学习之美：AI时代的数据处理与最佳实践》张玉宏【文字版_PDF电子书_推荐】_计算机类通过对深度学习和AI时代数据处理的全面阐述，向读者提供了宝贵的学习资源。本书包括深度学习的基本原理和应用、数据处理和清洗、特征工程和模型选择以及大数据处理和分布式计算等内容。通过学习本书，读者可以更好地理解和应用深度学习和数据处理技术，提高自己的技能和能力。
本文由nayona.cn整理
微信扫一扫 
支付宝扫一扫 
