深度學習：從基礎到實踐（上下）

上冊
第1章 機器學習與深度學習入門 1
1.1 為什麼這一章出現在這裡 1
1.1.1 從數據中提取含義 1
1.1.2 專家系統 3
1.2 從標記數據中學習 4
1.2.1 一種學習策略 5
1.2.2 一種計算機化的學習策略 6
1.2.3 泛化 8
1.2.4 讓我們仔細看看學習過程 9
1.3 監督學習 10
1.3.1 分類 10
1.3.2 回歸 11
1.4 無監督學習 12
1.4.1 聚類 13
1.4.2 降噪 13
1.4.3 降維 14
1.5 生成器 16
1.6 強化學習 18
1.7 深度學習 19
1.8 接下來會講什麼 22
參考資料 22
第2章 隨機性與基礎統計學 24
2.1 為什麼這一章出現在這裡 24
2.2 隨機變數 24
2.3 一些常見的分佈 29
2.3.1 均勻分佈 30
2.3.2 正態分佈 31
2.3.3 伯努利分佈 34
2.3.4 多項式分佈 34
2.3.5 期望值 35
2.4 獨立性 35
2.5 抽樣與放回 36
2.5.1 有放回抽樣 36
2.5.2 無放回抽樣 37
2.5.3 做選擇 38
2.6 Bootstrapping演算法 38
2.7 高維空間 41
2.8 協方差和相關性 43
2.8.1 協方差 43
2.8.2 相關性 44
2.9 Anscombe四重奏 47
參考資料 48
第3章 概率 50
3.1 為什麼這一章出現在這裡 50
3.2 飛鏢遊戲 50
3.3 初級概率學 52
3.4 條件概率 52
3.5 聯合概率 55
3.6 邊際概率 57
3.7 測量的正確性 58
3.7.1 樣本分類 58
3.7.2 混淆矩陣 60
3.7.3 混淆矩陣的解釋 62
3.7.4 允許錯誤分類 64
3.7.5 準確率 65
3.7.6 精度 66
3.7.7 召回率 67
3.7.8 關於精度和召回率 68
3.7.9 其他方法 69
3.7.10 同時使用精度和召回率 71
3.7.11 f1分數 72
3.8 混淆矩陣的應用 73
參考資料 77
第4章 貝葉斯定理 78
4.1 為什麼這一章出現在這裡 78
4.2 頻率論者法則以及貝葉斯法則 78
4.2.1 頻率論者法則 79
4.2.2 貝葉斯法則 79
4.2.3 討論 79
4.3 拋硬幣 80
4.4 這枚硬幣公平嗎 81
4.4.1 貝葉斯定理 86
4.4.2 貝葉斯定理的注意事項 87
4.5 生活中的貝葉斯定理 89
4.6 重複貝葉斯定理 91
4.6.1 後驗-先驗迴圈 92
4.6.2 例子：挑到的是哪種硬幣 93
4.7 多個假設 97
參考資料 101
第5章 曲線和曲面 102
5.1 為什麼這一章出現在這裡 102
5.2 引言 102
5.3 導數 103
5.4 梯度 108
參考資料 112
第6章 資訊理論 113
6.1 為什麼這一章出現在這裡 113
6.2 意外程度與語境 113
6.2.1 意外程度 114
6.2.2 語境 114
6.3 用比特作為單位 115
6.4 衡量信息 116
6.5 事件的大小 117
6.6 自我調整編碼 117
6.7 熵 122
6.8 交叉熵 123
6.8.1 兩種自我調整編碼 123
6.8.2 混合編碼 125
6.9 KL散度 127
參考資料 128
第7章 分類 130
7.1 為什麼這一章出現在這裡 130
7.2 二維分類 130
7.3 二維多分類 134
7.4 多維二元分類 135
7.4.1 one-versus-rest 135
7.4.2 one-versus-one 136
7.5 聚類 138
7.6 維度災難 141
參考資料 149
第8章 訓練與測試 150
8.1 為什麼這一章出現在這裡 150
8.2 訓練 150
8.3 測試數據 153
8.4 驗證數據 156
8.5 交叉驗證 157
8.6 對測試結果的利用 160
參考資料 161
第9章 過擬合與欠擬合 162
9.1 為什麼這一章出現在這裡 162
9.2 過擬合與欠擬合 162
9.2.1 過擬合 162
9.2.2 欠擬合 164
9.3 過擬合數據 164
9.4 及早停止 167
9.5 正則化 168
9.6 偏差與方差 169
9.6.1 匹配潛在數據 170
9.6.2 高偏差，低方差 172
9.6.3 低偏差，高方差 173
9.6.4 比較這些曲線 173
9.7 用貝葉斯法則進行線擬合 175
參考資料 179
第10章 神經元 181
10.1 為什麼這一章出現在這裡 181
10.2 真實神經元 181
10.3 人工神經元 182
10.3.1 感知機 183
10.3.2 感知機的歷史 183
10.3.3 現代人工神經元 184
10.4 小結 188
參考資料 188
第11章 學習與推理 190
11.1 為什麼這一章出現在這裡 190
11.2 學習的步驟 190
11.2.1 表示 190
11.2.2 評估 192
11.2.3 優化 193
11.3 演繹和歸納 193
11.4 演繹 194
11.5 歸納 199
11.5.1 機器學習中的歸納術語 201
11.5.2 歸納謬誤 202
11.6 組合推理 203
11.7 操作條件 204
參考資料 206
第12章 數據準備 208
12.1 為什麼這一章出現在這裡 208
12.2 數據變換 208
12.3 數據類型 210
12.4 數據清理基礎 212
12.4.1 數據清理 212
12.4.2 現實中的數據清理 213
12.5 歸一化和標準化 213
12.5.1 歸一化 213
12.5.2 標準化 214
12.5.3 保存數據的轉換方式 215
12.5.4 轉換方式 216
12.6 特徵選擇 217
12.7 降維 217
12.7.1 主成分分析 217
12.7.2 圖像的標準化和PCA 222
12.8 轉換 226
12.9 切片處理 229
12.9.1 逐樣本處理 230
12.9.2 逐特徵處理 230
12.9.3 逐元素處理 231
12.10 交叉驗證轉換 232
參考資料 234
第13章 分類器 236
13.1 為什麼這一章出現在這裡 236
13.2 分類器的種類 236
13.3 k近鄰法 237
13.4 支持向量機 241
13.5 決策樹 247
13.5.1 構建決策樹 250
13.5.2 分離節點 253
13.5.3 控制過擬合 255
13.6 樸素貝葉斯 255
13.7 討論 259
參考資料 260
第14章 集成演算法 261
14.1 為什麼這一章出現在這裡 261
14.2 集成方法 261
14.3 投票 262
14.4 套袋演算法 262
14.5 隨機森林 264
14.6 極端隨機樹 265
14.7 增強演算法 265
參考資料 270
第15章 scikit-learn 272
15.1 為什麼這一章出現在這裡 272
15.2 介紹 273
15.3 Python 約定 273
15.4 估算器 276
15.4.1 創建 276
15.4.2 學習fit()用法 277
15.4.3 用predict()預測 278
15.4.4 decision_function()，predict_proba() 279
15.5 聚類 279
15.6 變換 282
15.7 數據精化 286
15.8 集成器 288
15.9 自動化 290
15.9.1 交叉驗證 290
15.9.2 超參數搜索 292
15.9.3 枚舉型網格搜索 294
15.9.4 隨機型網格搜索 300
15.9.5 pipeline 300
15.9.6 決策邊界 307
15.9.7 流水線式變換 308
15.10 數據集 309
15.11 實用工具 311
15.12 結束語 312
參考資料 312
第16章 前饋網路 314
16.1 為什麼這一章出現在這裡 314
16.2 神經網路圖 314
16.3 同步與非同步流 316
16.4 權重初始化 317
參考資料 320
第17章 啟動函數 321
17.1 為什麼這一章出現在這裡 321
17.2 啟動函數可以做什麼 321
17.3 基本的啟動函數 324
17.3.1 線性函數 324
17.3.2 階梯狀函數 325
17.4 階躍函數 325
17.5 分段線性函數 327
17.6 光滑函數 329
17.7 啟動函數畫廊 333
17.8 歸一化指數函數 333
參考資料 335
第18章 反向傳播 336
18.1 為什麼這一章出現在這裡 336
18.2 一種非常慢的學習方式 337
18.2.1 緩慢的學習方式 339
18.2.2 更快的學習方式 340
18.3 現在沒有啟動函數 341
18.4 神經元輸出和網路誤差 342
18.5 微小的神經網路 345
18.6 第 1步：輸出神經元的delta 347
18.7 第 2步：使用delta改變權重 353
18.8 第3步：其他神經元的delta 356
18.9 實際應用中的反向傳播 359
18.10 使用啟動函數 363
18.11 學習率 367
18.12 討論 374
18.12.1 在一個地方的反向傳播 374
18.12.2 反向傳播不做什麼 374
18.12.3 反向傳播做什麼 375
18.12.4 保持神經元快樂 375
18.12.5 小批量 377
18.12.6 並行更新 378
18.12.7 為什麼反向傳播很有吸引力 378
18.12.8 反向傳播並不是有保證的 379
18.12.9 一點歷史 379
18.12.10 深入研究數學 380
參考資料 381
第19章 優化器 383
19.1 為什麼這一章出現在這裡 383
19.2 幾何誤差 383
19.2.1 最小值、最大值、平臺和鞍部 383
19.2.2 作為二維曲線的誤差 386
19.3 調整學習率 388
19.3.1 固定大小的更新 388
19.3.2 隨時間改變學習率 394
19.3.3 衰減規劃 396
19.4 更新策略 398
19.4.1 批梯度下降 398
19.4.2 隨機梯度下降 400
19.4.3 mini batch梯度下降 401
19.5 梯度下降變體 403
19.5.1 動量 403
19.5.2 Nesterov動量 408
19.5.3 Adagrad 410
19.5.4 Adadelta和RMSprop 411
19.5.5 Adam 413
19.6 優化器選擇 414
參考資料 415

下冊
第20章 深度學習 417
20.1 為什麼這一章出現在這裡 417
20.2 深度學習概述 417
20.3 輸入層和輸出層 419
20.3.1 輸入層 419
20.3.2 輸出層 420
20.4 深度學習層縱覽 420
20.4.1 全連接層 421
20.4.2 啟動函數 421
20.4.3 dropout 422
20.4.4 批歸一化 423
20.4.5 卷積層 424
20.4.6 池化層 425
20.4.7 迴圈層 426
20.4.8 其他工具層 427
20.5 層和圖形符號總結 428
20.6 一些例子 429
20.7 構建一個深度學習器 434
20.8 解釋結果 435
參考資料 440
第21章 卷積神經網路 441
21.1 為什麼這一章出現在這裡 441
21.2 介紹 441
21.2.1 “深度”的兩重含義 442
21.2.2 放縮後的值之和 443
21.2.3 權重共用 445
21.2.4 局部感知域 446
21.2.5 卷積核 447
21.3 卷積 447
21.3.1 篩檢程式 450
21.3.2 複眼視圖 452
21.3.3 篩檢程式的層次結構 453
21.3.4 填充 458
21.3.5 步幅 459
21.4 高維卷積 462
21.4.1 具有多個通道的篩檢程式 463
21.4.2 層次結構的步幅 465
21.5 一維卷積 466
21.6 1×1卷積 466
21.7 卷積層 468
21.8 轉置卷積 469
21.9 卷積網路樣例 472
21.9.1 VGG16 475
21.9.2 有關篩檢程式的其他內容：第 1部分 477
21.9.3 有關篩檢程式的其他內容：第 2部分 481
21.10 對手 483
參考資料 485
第22章 迴圈神經網路 488
22.1 為什麼這一章出現在這裡 488
22.2 引言 489
22.3 狀態 490
22.4 RNN單元的結構 494
22.4.1 具有更多狀態的單元 496
22.4.2 狀態值的解釋 498
22.5 組織輸入 498
22.6 訓練RNN 500
22.7 LSTM和GRU 502
22.7.1 門 503
22.7.2 LSTM 505
22.8 RNN的結構 508
22.8.1 單個或多個輸入和輸出 508
22.8.2 深度RNN 510
22.8.3 雙向RNN 511
22.8.4 深度雙向RNN 512
22.9 一個例子 513
參考資料 517
第23章 Keras第 1部分 520
23.1 為什麼這一章出現在這裡 520
23.1.1 本章結構 520
23.1.2 筆記本 521
23.1.3 Python警告 521
23.2 庫和調試 521
23.2.1 版本和程式設計風格 522
23.2.2 Python程式設計和調試 522
23.3 概述 523
23.3.1 什麼是模型 524
23.3.2 張量和數組 524
23.3.3 設置Keras 524
23.3.4 張量圖像的形狀 525
23.3.5 GPU和其他加速器 527
23.4 準備開始 528
23.5 準備數據 530
23.5.1 重塑 530
23.5.2 載入數據 536
23.5.3 查看數據 537
23.5.4 訓練-測試拆分 541
23.5.5 修復數據類型 541
23.5.6 歸一化數據 542
23.5.7 固定標籤 544
23.5.8 在同一個地方進行預處理 547
23.6 製作模型 548
23.6.1 將網格轉換為列表 548
23.6.2 創建模型 550
23.6.3 編譯模型 554
23.6.4 模型創建摘要 556
23.7 訓練模型 557
23.8 訓練和使用模型 559
23.8.1 查看輸出 560
23.8.2 預測 562
23.8.3 訓練歷史分析 566
23.9 保存和載入 567
23.9.1 將所有內容保存在一個檔中 567
23.9.2 僅保存權重 568
23.9.3 僅保存架構 568
23.9.4 使用預訓練模型 569
23.9.5 保存預處理步驟 569
23.10 回呼函數 570
23.10.1 檢查點 570
23.10.2 學習率 572
23.10.3 及早停止 573
參考資料 575
第24章 Keras第 2部分 577
24.1 為什麼這一章出現在這裡 577
24.2 改進模型 577
24.2.1 超參數計數 577
24.2.2 改變一個超參數 578
24.2.3 其他改進方法 580
24.2.4 再增加一個全連接層 581
24.2.5 少即是多 582
24.2.6 添加dropout 584
24.2.7 觀察 587
24.3 使用scikit-learn 588
24.3.1 Keras包裝器 588
24.3.2 交叉驗證 591
24.3.3 歸一化交叉驗證 594
24.3.4 超參數搜索 596
24.4 卷積網路 602
24.4.1 工具層 603
24.4.2 為CNN準備數據 604
24.4.3 卷積層 606
24.4.4 對MNIST使用卷積 611
24.4.5 模式 619
24.4.6 圖像數據增強 621
24.4.7 合成數據 623
24.4.8 CNN的參數搜索 624
24.5 RNN 624
24.5.1 生成序列數據 625
24.5.2 RNN數據準備 627
24.5.3 創建並訓練RNN 631
24.5.4 分析RNN性能 634
24.5.5 一個更複雜的數據集 639
24.5.6 深度RNN 641
24.5.7 更多數據的價值 643
24.5.8 返回序列 646
24.5.9 有狀態的RNN 649
24.5.10 時間分佈層 650
24.5.11 生成文本 653
24.6 函數式API 658
24.6.1 輸入層 659
24.6.2 製作函數式模型 660
參考資料 664
第25章 自編碼器 665
25.1 為什麼這一章出現在這裡 665
25.2 引言 666
25.2.1 有損編碼和無損編碼 666
25.2.2 區域編碼 667
25.2.3 混合展示 669
25.3 最簡單的自編碼器 671
25.4 更好的自編碼器 675
25.5 探索自編碼器 677
25.5.1 深入地觀察隱藏變數 677
25.5.2 參數空間 679
25.5.3 混合隱藏變數 683
25.5.4 對不同類型的輸入進行預測 684
25.6 討論 685
25.7 卷積自編碼器 685
25.7.1 混合卷積自編碼器中的隱藏變數 688
25.7.2 在CNN中對不同類型的輸入進行預測 689
25.8 降噪 689
25.9 VAE 691
25.9.1 隱藏變數的分佈 691
25.9.2 VAE的結構 692
25.10 探索VAE 697
參考資料 703
第26章 強化學習 704
26.1 為什麼這一章出現在這裡 704
26.2 目標 704
26.3 強化學習的結構 708
26.3.1 步驟1：智慧體選擇一個動作 709
26.3.2 步驟2：環境做出回應 710
26.3.3 步驟3：智慧體進行自我更新 711
26.3.4 簡單版本的變體 712
26.3.5 回到主體部分 713
26.3.6 保存經驗 714
26.3.7 獎勵 714
26.4 翻轉 718
26.5 L學習 719
26.6 Q學習 728
26.6.1 Q值與更新 729
26.6.2 Q學習策略 731
26.6.3 把所有東西放在一起 732
26.6.4 顯而易見而又被忽略的事實 733
26.6.5 Q學習的動作 734
26.7 SARSA 739
26.7.1 實際中的SARSA 741
26.7.2 對比Q學習和SARSA 744
26.8 強化學習的全貌 748
26.9 經驗重播 749
26.10 兩個應用 750
參考資料 751
第27章 生成對抗網路 753
27.1 為什麼這一章出現在這裡 753
27.2 一個比喻：偽造鈔票 754
27.2.1 從經驗中學習 756
27.2.2 用神經網路偽造 757
27.2.3 一個學習回合 759
27.3 為什麼要用“對抗” 760
27.4 GAN的實現 760
27.4.1 鑒別器 761
27.4.2 生成器 761
27.4.3 訓練GAN 762
27.4.4 博弈 763
27.5 實際操作中的GAN 764
27.6 DCGAN 769
27.7 挑戰 771
27.7.1 使用大樣本 772
27.7.2 模態崩潰 772
參考資料 773
第28章 創造性應用 775
28.1 為什麼這一章出現在這裡 775
28.2 視覺化篩檢程式 775
28.2.1 選擇網路 775
28.2.2 視覺化一個篩檢程式 776
28.2.3 視覺化層 778
28.3 deep dreaming 779
28.4 神經風格遷移 782
28.4.1 在矩陣中捕獲風格 783
28.4.2 宏觀藍圖 784
28.4.3 內容損失 785
28.4.4 風格損失 786
28.4.5 實現風格遷移 789
28.4.6 討論 793
28.5 為本書生成更多的內容 794
參考資料 795
第29章 數據集 797
29.1 公共數據集 797
29.2 MNIST和Fashion-MNIST 797
29.3 庫的內建數據集 798
29.3.1 scikit-learn 798
29.3.2 Keras 798

Andrew Glassner博士

是一位作家，同時也是計算機交互、圖形學領域的顧問。他於1978年開始從事3D計算機繪圖工作，在NYIT計算機圖形實驗室、凱斯西儲大學、IBM TJ Watson研究實驗室、代爾夫特理工大學、貝爾通信研究、施樂派克研究中心和微軟研究院等公司進行了相關研究。《紐約時報》曾評價他為“計算機圖形研究領域最受尊敬的天才之一。”