Book description
深度學習(Deep Learning)如今已成為非常活躍的研究領域,同時也為現代機器學習鋪展了一條康莊大道。本書提供許多範例與清楚的說明,引導讀者進一步了解這個複雜領域中的一些主要概念。
包括Google、微軟和Facebook這樣的業界龍頭,全都在其內部積極發展深度學習團隊。不過對於一般人來說,深度學習仍舊是個相當複雜而困難的主題。如果您熟悉Python,並具備微積分的背景知識,加上對於機器學習的基本理解,本書即可幫助您入門。
.瞭解機器學習和神經網路的基礎知識
.瞭解如何訓練正向饋送神經網路
.用TensorFlow實現你的第一個神經網路
.網路越來越深度時,相關問題的管理
.建立能夠分析複雜圖片的神經網路
.使用自動編碼器進行有效的降維操作
.深入序列分析以處理自然語言
.瞭解強化學習的基礎知識
Table of contents
- 封面
- 書名頁
- 授權聲明頁
- 目錄 (1/2)
- 目錄 (2/2)
- 前言
- 譯者序
- 第一章 神經網路
- 打造智慧型機器
- 傳統電腦程式的限制
- 機器學習的機制
- 神經元
- 用線性感知器表示神經元
- 正向饋送神經網路(FFN)
- 線性神經元及其限制
- Sigmoid、Tanh和ReLU神經元
- Softmax輸出層
- 展望
- 第二章 訓練正向饋送神經網路
- 速食問題
- 梯度遞減
- Delta規則和學習速率
- S型神經元的梯度遞減
- 反向傳播演算法
- 隨機和小批量梯度遞減
- 測試組、驗證組和過度套入 (1/2)
- 測試組、驗證組和過度套入 (2/2)
- 防止深度神經網路過度套入
- 總結
- 第三章 運用TensorFlow 實現神經網路
- TensorFlow究竟是什麼?
- TensorFlow與其他選擇有何不同?
- 安裝TensorFlow
- TensorFlow變數的創建與操作
- TensorFlow的各種操作
- 佔位符張量
- TensorFlow的Session
- 變數有效範圍與共用變數
- 管理CPU和GPU相關模型
- 用TensorFlow設定邏輯回歸模型
- 邏輯回歸模型的記錄和訓練
- 用TensorBoard呈現計算圖與學習狀況
- 用TensorFlow構建MNIST的多層模型
- 總結
- 第四章 超越梯度遞減
- 梯度遞減的挑戰
- 深度網路誤差曲面的局部極小值
- 模型的可區分性
- 深度網路中,假的局部極小值究竟有何問題?
- 誤差曲面的平坦區域
- 梯度指往錯誤方向
- 以動量為基礎的最佳化做法
- 二階方法簡述
- 學習率自動調整
- AdaGrad —累積歷史梯度
- RMSProp —指數加權移動平均梯度
- Adam —結合動量與RMSProp的做法
- 最佳化選擇背後的哲學
- 總結
- 第五章 卷積神經網路
- 人類視覺神經元
- 特徵選擇的缺點
- 一般深度神經網路無法處理較複雜的問題
- 過濾器與特徵映射圖
- 卷積層的完整描述
- 最大池化
- 卷積網路的完整架構描述
- 運用卷積網路處理MNIST問題
- 圖片預處理使模型更可靠
- 運用批量歸一化加速訓練
- 打造一個卷積網路,處理CIFAR-10挑戰
- 視覺化呈現卷積網路的學習狀況
- 利用卷積過濾器複製某種藝術風格
- 學習其他問題領域的卷積過濾器
- 總結
- 第六章 嵌入和表達方式的學習
- 學習低維表達方式
- 主成分分析(PCA)
- 自動編碼器架構
- 用TensorFlow實作出一個自動編碼器 (1/3)
- 用TensorFlow實作出一個自動編碼器 (2/3)
- 用TensorFlow實作出一個自動編碼器 (3/3)
- 降噪使嵌入表達方式更可靠
- 自動編碼器的稀疏性(Sparsity)
- 如果前後文比輸入本身含有更多資訊
- Word2Vec框架
- 實作Skip-Gram架構
- 總結
- 第七章 序列分析模型
- 非固定長度輸入的分析
- 運用神經N-Gram策略處理seq2seq問題
- 詞性標籤器的實作 (1/2)
- 詞性標籤器的實作 (2/2)
- 依賴解析與SyntaxNet
- 束搜索和全局歸一化
- 有狀態的深度學習模型
- 遞迴神經網路(RNN)
- 梯度消失的挑戰
- 長短期記憶(LSTM)單元 (1/2)
- 長短期記憶(LSTM)單元 (2/2)
- TensorFlow的RNN模型原生函數
- 實作情緒分析模型
- 運用RNN解決seq2seq問題
- 注意力強化遞迴網路
- 剖析神經翻譯網路 (1/5)
- 剖析神經翻譯網路 (2/5)
- 剖析神經翻譯網路 (3/5)
- 剖析神經翻譯網路 (4/5)
- 剖析神經翻譯網路 (5/5)
- 總結
- 第八章 記憶強化神經網路
- 神經圖靈機(NTM)
- 以注意力為基礎的記憶存取方式
- NTM記憶定址機制
- 可微分神經電腦(DNC)
- DNC的無干擾寫入
- DNC記憶的重複使用
- 在DNC寫入具有時間相關性的資訊
- 了解DNC讀取頭
- DNC控制器網路
- 以視覺化方式呈現運轉中的DNC
- 用TensorFlow實作DNC
- 教DNC學會閱讀和理解
- 總結
- 第九章 深度強化學習
- 運用深度強化學習,精通《雅達利》系列遊戲
- 什麼是強化學習?
- 馬可夫決策過程(MDP)
- 策略
- 未來報酬
- 折扣未來報酬
- 「利用已知」與「探索未知」的兩難
- 策略學習法與價值學習法
- 運用策略梯度實現策略學習法
- 把策略梯度運用於桿子平衡問題
- OpenAI Gym(開放人工智慧練功房)
- 創建代理者
- 打造模型和最佳化工具
- 動作抽樣
- 追蹤歷史
- 策略梯度的主函式
- PGAgent在桿子平衡問題上的表現
- Q學習和深度Q網路
- Bellman方程式
- 價值迭代的問題
- 近似Q函數
- 深度Q網路(DQN)
- 訓練DQN
- 學習穩定性
- 目標Q網路
- 經驗重播
- 根據Q函數得出策略
- DQN和馬可夫假設
- 馬可夫假設限制下DQN的解決之道
- 用DQN玩打磚塊遊戲
- 打造架構
- 堆疊畫面
- 訓練操作的相關設定
- 目標Q網路的更新
- 經驗重播的實作
- DQN主迴圈
- DQNAgent在打磚塊遊戲中的表現
- DQN的改進和超越
- 深度遞迴Q網路(DRQN)
- 「非同步優勢動作評論(A3C)」代理者
- 無督察強化輔助學習(UNREAL)
- 總結
- 索引 (1/2)
- 索引 (2/2)
- 關於作者
- 出版記事
Product information
- Title: Deep Learning深度學習基礎|設計下一代人工智慧演算法
- Author(s):
- Release date: June 2018
- Publisher(s): GoTop Information, Inc.
- ISBN: 9789864768240
You might also like
book
高效能網站建置指南
Web開發者效能最佳化實務 「《高效能網站建置指南》包含最新研究成果,激發你的編程智慧,讓你的網站運作順暢,如行雲流水般。我愛死了這本書的風格 — 涵蓋豐富的主題,而且每個主題皆由該領域中備受尊崇的權威專家帶領你深入探討。說真的,我們的團隊人手一本。」 — Bill Scott,Netflix,UI工程部總監 效能是網站成功與否的重要關鍵,然而,挾帶著日益豐富的內容並且運用大量的Ajax技術,現今的Web應用程式已迫使瀏覽器達到其處理能力的極限。Steve Souders,Google的Web效能佈道者及Yahoo!的前首席效能專家,在本書中提供了最寶貴的技術,協助你最佳化你的網站效能。 Souders的上一本暢銷書《High Performance Web Sites》在Web開發的世界裡捲起了漫天風雲,並且揭露出一項事實:網頁加載的總耗時中有80%是花費在客戶端上的。在《高效能網站建置指南》這本書中,Souders與其他八位專家級的特約作者針對改善網站效能提供了最佳實務以及實用建言,主要包括下列三個關鍵領域: ● JavaScript — …
book
HBASE技術手冊
處理巨量資料(Big data)的最佳選擇 如果你正在尋找一個具可擴展性的儲存解決方案,來容納幾乎是永無止盡的大量資料,本書介紹的Apache HBase可以滿足你的需要。它是Google BigTable架構下的一個開放原始碼實作,HBase可以擴展到數十億筆資料和數百萬個欄位,同時確保寫入和讀取效能仍然保持一定的水準。針對許多IT人員經常提出的問題,本書提供了一些很有參考價值的解答。 .探索如何更緊密地與Hadoop整合,讓HBase可以更容易做到可擴展性。 .透過一個由一般伺服器所架設的低成本叢集,來散佈大型資料集。 .利用原生Java客戶端,或透過閘道伺服器所提供的REST、Avro或Thrift API來存取HBase。 .瞭解HBase的架構細節,包括儲存格式、預寫式日誌、背景程序等等。 .HBase整合Hadoop的MapReduce框架,用於大規模平行化的資料處理作業。 .學習如何去調校叢集、設計綱要、複製資料表、匯入大量資料、卸離節點和更多其他的工作。 名人推薦 「分散式系統通常最好是像〝雲〞一般。Lars George從實務中萃取出來的寶貴經驗,是我們在學習HBase過程中一個很好的引導。」—Josh Patterson, …
book
網頁互動式資料視覺化:使用D3
讓複雜的資料變得一目瞭然的方法 透過本書,您將了解如何在網路上建立並發佈您自己的互動式資料視覺化專案,即便您沒有處理資料視覺化或網頁開發的經驗。透過本書實作導向、容易上手的介紹,學習這門學問將更為簡單與充滿樂趣。作者Scott Murray將告訴大家D3的基礎概念和函式,D3是一個JavaScript的函式庫,可以讓您將資料用視覺化的形式呈現在網頁上。在本書當中,您將能增加網頁程式撰寫的技巧、學習使用諸如HTML與JavaScript等工具。 本書採用逐步導引的方法,適用於許多不同背景的人閱讀,不論您是沒有程式撰寫經驗的設計師或視覺藝術家、想探索資料新聞學這個領域的記者、或者任何想要將視覺化資料並加以分享的人,都能由本書中得到收穫。 .學習HTML、CSS、JavaScript與SVG的基礎概念 .由資料動態產生網頁元素,並套用視覺化規則加以美化 .建立長條圖、散佈圖、圓餅圖、堆疊長條圖、以及重力場版型 .使用順暢的動畫轉移效果,來呈現資料的改變 .透過互動性設計,幫助使用者以不同角度來探索資料 .使用資料建立客製化的地圖 .超過100個可下載的程式碼範例,可讓您親手實作 誰適合閱讀本書 本書是針對非程式設計師所撰寫的資料視覺化專書。如果您是藝術家或圖形設計師,具備視覺藝術技能,但卻沒有處理過資料的經驗或沒寫過程式,那您就是本書的目標讀者;若您是記者或研究員,手上有很多資料,但沒有視覺藝術技能或寫過程式,那您也是本書的目標讀者。
book
Web容量规划之美
Twitter、Flickr、Etsy和其他很多网站都曾经历过突发的流量高峰,这些突发流量高峰在很短时间内导致这些站点的服务能力下降甚至宕机。直到现在,确定应对流量激增所需要的系统容量仍然是运维工程师和开发人员的常规难题。本书为你提供所需要的相关知识和工具,帮你在网站碰到突发流量增长前测量、部署和管理网站应用程序的基础设施。 在这本全新的实用指南中,本书作者提供了一个系统的、健壮的、实用的容量规划方法,而不是基于他们自己的经验和业内其他同行经验的理论模型。这些容量规划方法解决了网站运维,尤其是云计算带来的流量突增衍生的容量问题。 了解在较大流量和压力下网站或移动应用程序上出现的问题。 了解容量如何适应网站或移动应用程序的可用性和性能。 使用测量和监控服务性能和使用率的工具。 将测量数据转化为可靠的预测,并了解如何让趋势适应容量规划过程。 与测量相关的部署概念:安装、配置和管理自动化。 了解云自动扩缩能力如何使你提升和降低应用程序的容量。