深度學習是一種人工智能, 模仿人腦處理數據和創(chuàng)建用于決策的模式方面的工作, 處理用于檢測對象、識別語音、翻譯語言和進行決策的數據. 本書是深度學習入門級教材，有以下特點：
1. 由淺入深, 對于最基本的單層神經網絡到多層神經網絡的前向及后向傳播理論, 從公式到代碼緩慢進階, 做了透徹的解釋, 易于理解及上手。
2. 在基本模塊介紹之后, 對于各種更復雜的模型并不拘泥于細節(jié), 而是著重介紹其含義, 讓讀者著眼于整體框架及未來發(fā)展。
3. 盡量跟隨新發(fā)展, 書中最xin的模型來自2020年.
吳喜之 北京大學數學力學系本科畢業(yè)，北卡羅來納大學統(tǒng)計系博士。中國人民大學統(tǒng)計學院教授，博士生導師。曾在南開大學、北京大學、加利福尼亞大學、北卡羅來納大學等多所著名學府執(zhí)教。
目 錄精彩樣章
第一部分 Python 基礎
第 1 章 Python 基礎
1.1引 言
1.2 安 裝
1.3 基本模塊的編程
1.4 NumPy 模塊
1.5 Pandas 模塊
1.6 Matplotlib 模塊
1.7 Python 的類——面向對象編程簡介
1.8 習 題
第二部分 神經網絡基礎及逐步深化
第 2 章 從最簡單的神經網絡說起
2.1 紀元和批次
2.2 神經網絡回歸
2.3 神經網絡分類
第 3 章 有隱藏層的神經網絡
3.1 一個隱藏層的神經網絡
3.2 多個隱藏層的神經網絡
3.3 通過 PyTorch 實現(xiàn)神經網絡初等計算
第三部分 深度學習的 PyTorch 實現(xiàn)
第 4 章 神經網絡的 PyTorch 逐步深化
4.1 簡單的人造數據回歸
4.2 MNIST 手寫數字數據神經網絡案例
4.3 卷積神經網絡
4.4 MNIST 手 寫 數 字 數 據 ( 續(xù)): CNN
4.5 CIFAR10 數據圖像 CNN 案例·
第 5 章 遞歸神經網絡
5.1 遞歸神經網絡簡介
5.2 長短期記憶網絡 (LSTM)
5.3 LSTM 預測句子的例子
5.4 門控遞歸網絡 (GRU)
5.5 數 據 MNIST 手 寫 數 字 數 據 的GRU 分類例子
5.6 GRU 處理時間序列的例子
第 6 章 PyTorch 文本數據分析
6.1 一個簡單的文本分類例子
6.2 序列到序列模型 (seq2seq)
6.3 剖析一個著名 seq2seq 案例
第 7 章 用于自然語言處理的變換器
7.1 變換器的原理
7.2 預訓練模塊Transformers·
7.3 seq2seq 變換器示范代碼
第 8 章 現(xiàn)代 Hopfifield 網絡
8.1 概論
8.2 傳統(tǒng)的 Hopfifield 網絡
8.3 現(xiàn)代 Hopfifield 網絡
8.4 現(xiàn)代 Hopfifield 網絡例子
第四部分 深度學習的 TensorFlow 實現(xiàn)
第 9 章 通過例子進入 TensorFlow
9.1 分類例子: 皮膚病
9.2 回歸例子
9.3 不平衡數據分類例子
第 10 章 TensorFlow 案例
10.1 102 種花卉 CNN 分類例子
10.2 通過 RNN 生成文本例子
10.3 IMDB 數據文本情感分析案例
10.4 IMDB 數據的變換器示范代碼
10.5 圖像分割案例
書單推薦
