Python深度學(xué)習(xí)從原理到應(yīng)用

第 1章　機(jī)器學(xué)習(xí)—引言\t1
1．1　什么是機(jī)器學(xué)習(xí)　1
1．2　不同的機(jī)器學(xué)習(xí)方法　2
1．2．1　監(jiān)督學(xué)習(xí)　2
1．2．2　無(wú)監(jiān)督學(xué)習(xí)　4
1．2．3　強(qiáng)化學(xué)習(xí)　6
1．2．4　機(jī)器學(xué)習(xí)系統(tǒng)所涉及的步驟　7
1．2．5　關(guān)于流行技術(shù)/算法的簡(jiǎn)介　9
1．2．6　在現(xiàn)實(shí)生活中的應(yīng)用　19
1．2．7　流行開(kāi)源包　21
1．3　小結(jié)　26
第　2章 神經(jīng)網(wǎng)絡(luò)　27
2．1　為什么是神經(jīng)網(wǎng)絡(luò)　27
2．2　基本原理　28
2．2．1　神經(jīng)元以及層　29
2．2．2　不同類型的激活函數(shù)　33
2．3　反向傳播算法　37
2．3．1　線性回歸　37
2．3．2　邏輯回歸　39
2．3．3　反向傳播　41
2．4　行業(yè)應(yīng)用　44
2．4．1　信號(hào)處理　44
2．4．2　醫(yī)療　44
2．4．3　自動(dòng)汽車(chē)駕駛　44
2．4．4　商業(yè)　45
2．4．5　模式識(shí)別　45
2．4．6　語(yǔ)音生成　45
2．5　異或函數(shù)的神經(jīng)網(wǎng)絡(luò)代碼示例　45
2．6　小結(jié)　50
第3章　深度學(xué)習(xí)基本原理　52
3．1　什么是深度學(xué)習(xí)　52
3．1．1　基本概念　54
3．1．2　特征學(xué)習(xí)　55
3．1．3　深度學(xué)習(xí)算法　62
3．2　深度學(xué)習(xí)應(yīng)用　63
3．2．1　語(yǔ)音識(shí)別　63
3．2．2　對(duì)象識(shí)別與分類　65
3．3　圖形處理單元與中央處理單元　67
3．4　流行開(kāi)源庫(kù)—引言　69
3．4．1　Theano　69
3．4．2　TensorFlow　69
3．4．3　Keras　70
3．4．4　使用Keras的簡(jiǎn)單深度神經(jīng)
網(wǎng)絡(luò)代碼　70
3．5　小結(jié)　75
第4章　無(wú)監(jiān)督特征學(xué)習(xí)　76
4．1　自編碼器　77
4．1．1　網(wǎng)絡(luò)設(shè)計(jì)　80
4．1．2　用于自編碼器的正則化技術(shù)　83
4．1．3　自編碼器概述　87
4．2　受限玻爾茲曼機(jī)　87
4．2．1　霍普菲爾德網(wǎng)絡(luò)與
玻爾茲曼機(jī)　89
4．2．2　玻爾茲曼機(jī)　91
4．2．3　受限玻爾茲曼機(jī)　93
4．2．4　在TensorFlow中的實(shí)現(xiàn)　94
4．2．5　深度信念網(wǎng)絡(luò)　98
4．3　小結(jié)　99
第5章　圖像識(shí)別　102
5．1　人工模型與生物模型的相似性　102
5．2　直觀認(rèn)識(shí)與合理性　103
5．3　卷積層　104
5．4　池化層　111
5．5　dropout層　112
5．6　深度學(xué)習(xí)中的卷積層　113
5．7　Theano中的卷積層　114
5．8　用Keras來(lái)識(shí)別數(shù)字的卷積層
示例　115
5．9　將Keras用于cifar10的卷積層
示例　118
5．10　預(yù)訓(xùn)練　120
5．11　小結(jié)　121
第6章　遞歸神經(jīng)網(wǎng)絡(luò)和語(yǔ)言模型　123
6．1　遞歸神經(jīng)網(wǎng)絡(luò)　123
6．1．1　RNN—如何實(shí)施和訓(xùn)練　125
6．1．2　長(zhǎng)短期記憶　130
6．2　語(yǔ)言建?！?33
6．2．1　基于單詞的語(yǔ)言模型　133
6．2．2　基于字符的語(yǔ)言模型　138
6．3　語(yǔ)音識(shí)別　144
6．3．1　語(yǔ)音識(shí)別管線　144
6．3．2　作為輸入數(shù)據(jù)的語(yǔ)音　145
6．3．3　預(yù)處理　146
6．3．4　聲學(xué)模型　147
6．3．5　解碼　149
6．3．6　端到端模型　150
6．4　小結(jié)　150
6．5　拓展閱讀　150
第7章　深度學(xué)習(xí)在棋盤(pán)游戲中的
應(yīng)用　154
7．1　早期游戲AI　155
7．2　用最小-最大算法評(píng)估游戲狀態(tài)　156
7．3　實(shí)現(xiàn)Python井字游戲　158
7．4　學(xué)習(xí)價(jià)值函數(shù)　166
7．5　訓(xùn)練AI掌握圍棋　167
7．6　應(yīng)用于樹(shù)結(jié)構(gòu)的置信上限　169
7．7　蒙特卡羅樹(shù)搜索中的深度學(xué)習(xí)　176
7．8　快速?gòu)?fù)習(xí)強(qiáng)化學(xué)習(xí)　177
7．9　用于學(xué)習(xí)策略函數(shù)的策略梯度　177
7．10　AlphaGo中的策略梯度　185
7．11　小結(jié)　186
第8章　深度學(xué)習(xí)在電子游戲中的
應(yīng)用　188
8．1　應(yīng)用于游戲的監(jiān)督學(xué)習(xí)算法　188
8．2　遺傳算法在游戲中的應(yīng)用　189
8．3　Q-learning算法　190
8．4　Q-learning算法在動(dòng)作中的應(yīng)用　192
8．5　動(dòng)態(tài)游戲　197
8．5．1　經(jīng)驗(yàn)回放　200
8．5．2　Epsilon貪婪算法　203
8．6　《雅達(dá)利打磚塊》游戲　204
8．6．1　《雅達(dá)利打磚塊》游戲的
隨機(jī)基準(zhǔn)　205
8．6．2　預(yù)處理屏幕　207
8．6．3　創(chuàng)建一個(gè)深度卷積網(wǎng)絡(luò)　208
8．6．4　Q-learning算法中的收斂
問(wèn)題　213
8．6．5　策略梯度與Q-learning算法　214
8．7　actor-critic算法　215
8．7．1　方差縮減基線　216
8．7．2　通用優(yōu)勢(shì)估計(jì)器　216
8．8　異步算法　217
8．9　基于模型的算法　218
8．10　小結(jié)　220
第9章　異常檢測(cè)　221
9．1　什么是異常檢測(cè)和異常點(diǎn)檢測(cè)　221
9．2　異常檢測(cè)的現(xiàn)實(shí)應(yīng)用　224
9．3　流行的淺層機(jī)器學(xué)習(xí)技術(shù)　225
9．3．1　數(shù)據(jù)建模　225
9．3．2　檢測(cè)建?！?25
9．4　基于深度自編碼器的異常檢測(cè)　227
9．5　開(kāi)始使用H2O　229
9．6　示例　230
9．6．1　MNIST數(shù)字異常識(shí)別　230
9．6．2　心電圖脈沖檢測(cè)　238
9．7　小結(jié)　243
第　10章 構(gòu)建一個(gè)可用于生產(chǎn)環(huán)境的
入侵檢測(cè)系統(tǒng)　244
10．1　什么是數(shù)據(jù)產(chǎn)品　245
10．2　訓(xùn)練　246
10．2．1　權(quán)值初始化　246
10．2．2　使用HOGWILD!的并行
隨機(jī)梯度下降算法　248
10．2．3　自適應(yīng)學(xué)習(xí)　250
10．2．4　學(xué)習(xí)率退火　250
10．2．5　動(dòng)量法　251
10．2．6　Nesterov加速法　251
10．2．7　牛頓迭代法　252
10．2．8　Adagrad算法　253
10．2．9　Adadelta算法　253
10．2．10　通過(guò)Map/Reduce實(shí)現(xiàn)
分布式學(xué)習(xí)　255
10．2．11　Sparkling Water　258
10．3　測(cè)試　260
10．3．1　模型驗(yàn)證　266
10．3．2　有標(biāo)記數(shù)據(jù)　267
10．3．3　無(wú)標(biāo)記數(shù)據(jù)　269
10．3．4　驗(yàn)證總結(jié)　272
10．3．5　超參數(shù)調(diào)優(yōu)　272
10．3．6　端到端評(píng)估　275
10．3．7　A/B測(cè)試　277
10．3．8　測(cè)試總結(jié)　278
10．4　部署　279
10．4．1　POJO模型導(dǎo)出　280
10．4．2　異常得分API　283
10．4．3　部署總結(jié)　285
10．5　小結(jié)　285