更新时间：2021-12-01 14:00:11
封面
版权信息
译者序
序
前言
作者简介
审校者简介
第一部分 深度学习快速入门
第1章 机器学习概述
1.1 接触ML生态系统
1.2 从数据中训练ML算法
1.3 深度学习概述
1.3.1 神经元模型
1.3.2 感知机学习算法
1.3.3 浅层网络
1.3.4 深度网络
1.4 深度学习在现代社会中的重要性
1.5 小结
1.6 习题与答案
1.7 参考文献
第2章 深度学习框架的搭建与概述
2.1 Colaboratory简介
2.2 TensorFlow的简介与安装
2.2.1 安装
2.2.2 拥有GPU支持的TensorFlow
2.2.3 TensorFlow背后的原理
2.3 Keras的简介与安装
2.3.1 安装
2.3.2 Keras背后的原理
2.4 PyTorch简介
2.5 Dopamine简介
2.6 其他深度学习程序库
2.6.1 Caffe
2.6.2 Theano
2.6.3 其他程序库
2.7 小结
2.8 习题与答案
2.9 参考文献
第3章 数据准备
3.1 二元数据与二元分类
3.1.1 克利夫兰心脏病数据集的二元目标
3.1.2 二值化MINST数据集
3.2 分类数据与多个类别
3.2.1 将字符串标签转换成数字
3.2.2 将分类转换成独热编码
3.3 实值数据与单变量回归
3.3.1 缩放到特定范围的数值
3.3.2 标准化到零均值和单位方差
3.4 改变数据的分布
3.5 数据增强
3.5.1 尺度缩放
3.5.2 添加噪声
3.5.3 旋转
3.5.4 其他增强手段
3.6 数据降维
3.6.1 监督算法
3.6.2 无监督技术
3.6.3 关于维度的数量
3.7 操纵数据的道德影响
3.8 小结
3.9 习题与答案
3.10 参考文献
第4章 从数据中学习
4.1 学习的目的
4.1.1 分类问题
4.1.2 回归问题
4.2 度量成功与错误
4.2.1 二元分类
4.2.2 多元分类
4.2.3 回归分析矩阵
4.3 识别过拟合和泛化
4.3.1 拥有测试数据的情形
4.3.2 没有测试数据的情形
4.4 机器学习背后的艺术
4.5 训练深度学习算法的伦理意蕴
4.5.1 使用适当的模型性能度量指标
4.5.2 小心对待并验证异常值
4.5.3 抽样不足组的权重类
4.6 小结
4.7 习题与答案
4.8 参考文献
第5章 训练单个神经元
5.1 感知机模型
5.1.1 概念的可视化
5.1.2 张量运算
5.2 感知机学习算法
5.3 处理线性不可分数据的感知机
5.3.1 线性可分数据的收敛
5.3.2 线性不可分数据的收敛
5.4 小结
5.5 习题与答案
5.6 参考文献
第6章 训练多层神经元
6.1 MLP模型
6.2 最小化误差
6.2.1 步骤1：初始化
6.2.2 步骤2：前向传播
6.2.3 步骤3：计算损失
6.2.4 步骤4：反向传播
6.3 寻找最佳超参数
