乔恩克罗恩（Jon Krohn）是untapt机器学习公司的首席数据科学家。他参与了一系列由Addison-Wesley发布的广受好评的教程，包括用TensorFlow进行深度学习和利用深度学习进行自然语言处理的直播课程。Jon Krohn在纽约市数据科学学院讲授深度学习课程，并担任哥伦比亚大学的客座讲师。他曾获牛津大学神经科学博士学位，2010年以来，在Advances in Neural Information Processing Systems等重要同行评议期刊上发表了多篇机器学习方面的研究论文。 格兰特贝勒费尔德（Grant Beyleveld）是untapt机器学习公司的一名数据科学家，他负责的工作是利用深度学习进行自然语言处理。他获得了纽约市Mount Sinai医院Icahn医学院的生物医学博士学位，研究过病毒和宿主之间的关系。他是深度学习研究小组（Deep Learning Group）的创始成员。 阿格莱巴森斯（Agla Bassens）是一位居住在巴黎的比利时艺术家。她曾在牛津大学Ruskin美术学院和伦敦大学Slade美术学院研修美术。除了插图工作外，她还擅长绘制静物画和壁画。
目錄：
I Introducing Deep Learning 深度学习简介 1
1 Biological and Machine Vision 生物与机器视角 3
Biological Vision 生物视角 3
Machine Vision 机器视角 8
The Neocognitron 新认知机 8
LeNet-5 卷积神经网络 LeNet-5 9
The Traditional Machine Learning Approach 传统机器学习方法 12
ImageNet and the ILSVRC 大规模视觉数据库ImageNet和视觉识别挑战赛ILSVRC 13
AlexNet 卷积神经网络 AlexNet 14
TensorFlow Playground 开源软件库TensorFlow 17
Quick, Draw! 涂鸦小游戏Quick, Draw! 19
小结 19
2 Human and Machine Language 人机语言 21
Deep Learning for Natural Language Processing 自然语言处理中的深度学习 21
Deep Learning Networks Learn Representations Automatically 深度学习网络自动学习表示 22
Natural Language Processing 自然语言处理 23
A Brief History of Deep Learning for NLP自然语言处理深度学习简史24
Computational Representations of Language 语言的计算表示 25
One-Hot Representations of Words 单词的独热表示 25
Word Vectors 词向量 26
Word-Vector Arithmetic 词向量算法 29
word2viz 词向量工具 word2viz 30
Localist Versus Distributed Representations 局部化与分布式表示32
Elements of Natural Human Language 自然人类语言要素 33
Google Duplex Google Duplex 35
Summary 小结 37
3 Machine Art 机器艺术 39
A Boozy All-Nighter 一个热闹的通宵 39
Arithmetic on Fake Human Faces 假人脸算法 41
Style Transfer： Converting Photos into Monet and Vice
Versa 风格迁移：照片与莫奈风格间的相互转移 44
Make Your Own Sketches Photorealistic 让草图更加真实 45
Creating Photorealistic Images from Text 基于文本创建真实图片 45
Image Processing Using Deep Learning 基于深度学习的图像处理 46
Summary 小结 48
4 Game-Playing Machines 人机博弈 49
Deep Learning, AI, and Other Beasts 深度学习、人工智能和其他技术49
Artificial Intelligence 人工智能 49
Machine Learning 机器学习 50
Representation Learning 表示学习 51
Artificial Neural Networks 人工神经网络 51
Deep Learning 深度学习 51
Machine Vision 机器视觉 52
Natural Language Processing 自然语言处理 53
Three Categories of Machine Learning Problems 机器学习问题的3种类型 53
Supervised Learning 监督学习 53
Unsupervised Learning 无监督学习 54
Reinforcement Learning 强化学习 54
Deep Reinforcement Learning 深度强化学习 56
Video Games 视频游戏 57
Board Games 棋盘游戏 59
AlphaGo AlphaGo 59
AlphaGo Zero AlphaGo Zero 62
AlphaZero AlphaZero 65
Manipulation of Objects 目标操控 67
Popular Deep Reinforcement Learning Environments
流行的深度强化学习环境 68
OpenAI Gym OpenAI Gym 68
DeepMind Lab DeepMind 实验室 69
Unity ML-Agents Unity ML-Agents 71
Three Categories of AI 人工智能的3种类型 71
Artificial Narrow Intelligence 狭义人工智能 72
Artificial General Intelligence 广义人工智能 72
Artificial Super Intelligence 超级人工智能 72
Summary 小结 72
II Essential Theory Illustrated 图解深度学习基本理论 73
5 The Code Cart Ahead of the Theory Horse 先代码后理论 75
Prerequisites 预备知识 75
Installation 安装 76
A Shallow Network in Keras Keras构建浅层网络 76
The MNIST Handwritten Digits MNIST 手写数字 76
A Schematic Diagram of the Network 网络示意图 77
Loading the Data 加载数据 79
Reformatting the Data 重新格式化数据 81
Designing a Neural Network Architecture 设计神经网络架构 83
Training a Deep Learning Model 训练深度学习模型 83
Summary 小结 84
6 Artificial Neurons Detecting Hot Dogs 人工神经元热狗感知机85
Biological Neuroanatomy 101 生物神经元 85
The Perceptron 感知机 86
The Hot Dog Not Hot Dog Detector 热狗感知机非热狗感知机 86
The Most Important Equation in This Book 本书最重要的等式 90
Modern Neurons and Activation Functions 现代神经元与激活函数 91
The Sigmoid Neuron Sigmoid 神经元 92
The Tanh Neuron Tanh 神经元 94
ReLU： Rectified Linear Units ReLU 神经元 94
Choosing a Neuron 选择神经元 96
Summary 小结 96
Key Concepts 核心概念 97
7 神经网络 99
The Input Layer 输入层 99
Dense Layers 全连接层 99
A Hot Dog-Detecting Dense Network 热狗感知全连接网络 101
Forward Propagation Through the First Hidden Layer
第 一个隐藏层的正向传播 102
Forward Propagation Through Subsequent Layers
其他层的正向传播 103
The Softmax Layer of a Fast Food-Classifying Network
快餐分类网络的Softmax层 106
Revisiting Our Shallow Network 回归浅层网络 108
Summary 小结 109
Key Concepts 核心概念 110
8 Training Deep Networks 深度网络训练 110
Cost Functions 损失函数 111
Quadratic Cost 二次方损失函数 112
Saturated Neurons 神经元饱和 112
Cross-Entropy Cost 交叉熵损失函数 113
Optimization： Learning to Minimize Cost 优化：学习最小化损失 115
Gradient Descent 梯度下降 115
Learning Rate 学习率 117
Batch Size and Stochastic Gradient Descent
批量大小和随机梯度下降 119
Escaping the Local Minimum 解决局部最小问题 122
Backpropagation 反向传播 124
Tuning Hidden-Layer Count and Neuron Count
调整隐藏层层数和神经元数量 125
An Intermediate Net in Keras Keras构建中等深度的神经网络 127
Summary 小结 129
Key Concepts 核心概念 130
9 Improving Deep Networks 深度网络改进 131
Weight Initialization 权重初始化 131
Xavier Glorot Distributions Xavier Glorot 分布 135
Unstable Gradients 不稳定梯度 137
Vanishing Gradients 梯度消失 137
Exploding Gradients 梯度爆炸 138
Batch Normalization 批量归一化 138
Model Generalization Avoiding Overfitting
模型泛化（避免过拟合）140
L1 and L2 Regularization L1 和 L2 正则化 141
Dropout Dropout 142
Data Augmentation 数据增强 145
Fancy Optimizers 优化器 145
Momentum 动量 145
Nesterov Momentum Nesterov 动量 146
AdaGrad AdaGrad 146
AdaDelta and RMSProp AdaDelta 和 RMSProp 146
Adam Adam 147
A Deep Neural Network in Keras
Keras构建深度神经网络 147
Regression 回归 149
TensorBoard TensorBoard 152
Summary 小结 154
Key Concepts 核心概念 155
III Interactive Applications of Deep
Learning 深度学习的交互应用 157
10 Machine Vision 机器视觉 159
Convolutional Neural Networks 卷积神经网络 159
The Two-Dimensional Structure of Visual Imagery
视觉图像二维结构 159
Computational Complexity 计算复杂度 160
Convolutional Layers 卷积层 160
Multiple Filters 多个卷积核 162
A Convolutional Example 卷积示例 163
Convolutional Filter Hyperparameters 卷积核的超参数 168
Pooling Layers 池化层 169
LeNet-5 in Keras Keras实现LeNet-5 171
AlexNet and VGGNet in Keras
Keras实现AlexNet和VGGNet 176
Residual Networks 残差网络 179
Vanishing Gradients： The Bte Noire of Deep CNNs
梯度消失：深度 CNNs 最大的缺点 179
Residual Connections 残差连接 180
ResNet 残差网络 182
Applications of Machine Vision 机器视角的应用 182
Object Detection 目标检测 183
Image Segmentation 图像分割 186
Transfer Learning 迁移学习 188
Capsule Networks 胶囊网络 192
Summary 小结 193
Key Concepts 核心概念 193
11 Natural Language Processing
自然语言处理 195
Preprocessing Natural Language Data
自然语言数据预处理 195
Tokenization 标记化 197
Converting All Characters to Lowercase
字符小写转换 199
Removing Stop Words and Punctuation
停用词和符号的删除 200
Stemming 词干提取 201
Handling n-grams 处理 n-grams 202
Preprocessing the Full Corpus 完整语料库预处理 203
Creating Word Embeddings with word2vec
word2vec实现词嵌入 206
The Essential Theory Behind word2vec
word2vec 背后的基本理论 206
Evaluating Word Vectors 词向量评估 209
Running word2vec word2vec 的运行 209
Plotting Word Vectors 词向量的绘制 213
The Area under the ROC Curve ROC曲线下的面积 217
The Confusion Matrix 混淆矩阵 218
Calculating the ROC AUC Metric 计算 ROC AUC 219
Natural Language Classification with Familiar Networks
常见网络实现自然语言分类 222
Loading the IMDb Film Reviews 加载 IMDb 电影评论 222
Examining the IMDb Data 检查 IMDb 数据 226
Standardizing the Length of the Reviews 评论长度标准化 228
Dense Network 全连接网络 229
Convolutional Networks 卷积网络 235
Networks Designed for Sequential Data 序列数据的网络设计 240
Recurrent Neural Networks 循环神经网络 240
Long Short-Term Memory Units
长短期记忆网络架构 244
Bidirectional LSTMs 双向 LSTM 247
Stacked Recurrent Models 堆叠循环神经网络 248
Seq2seq and Attention
Seq2seq 模型和注意力机制 250
Transfer Learning in NLP 自然语言处理迁移学习 251
11.6 Non-sequential Architectures： The Keras Functional
API 非序列架构Keras功能性API 251
11.7 Summary 小结 256
11.8 Key Concepts 核心概念 257
12 Generative Adversarial Networks
生成式对抗网络 259
Essential GAN Theory 生成式对抗网络基本理论 259
The Quick, Draw! Dataset
涂鸦小游戏The Quick, Draw!数据集 263
The Discriminator Network 判别器网络 266
The Generator Network 生成器网络 269
The Adversarial Network 对抗网络 272
GAN Training 生成式对抗网络训练 275
Summary 小结 281
Key Concepts 核心概念 282
13 Deep Reinforcement Learning 深度强化学习 283
Essential Theory of Reinforcement Learning
强化学习基本理论 283
The Cart-Pole Game Cart-Pole 游戏 284
Markov Decision Processes 马尔可夫决策过程 286
The Optimal Policy 最优策略 288
Essential Theory of Deep Q-Learning Networks
深度Q学习网络基本理论 290
Value Functions 值函数 291
Q-Value Functions Q 值函数 291
Estimating an Optimal Q-Value 估计最优 Q 值 291
Defining a DQN Agent 定义DQN智能体 293
Initialization Parameters 初始化参数 295
Building the Agents Neural Network Model
构建智能体的神经网络模型 297
Remembering Gameplay 记忆游戏 298
Training via Memory Replay 记忆重播训练 298
Selecting an Action to Take 选择要采取的行动 299
Saving and Loading Model Parameters
保存和加载模型参数 300
Interacting with an OpenAI Gym Environment
OpenAI Gym环境交互 300
Hyperparameter Optimization with SLM Lab
SLM Lab超参数优化 303
Agents Beyond DQN DQN以外智能体 306
Policy Gradients and the REINFORCE Algorithm
策略梯度和强化算法 307
The Actor-Critic Algorithm Actor-Critic 算法 307
Summary 小结 308
Key Concepts 核心概念 309
IV You and AI 你与人工智能 311
14 Moving Forward with Your Own Deep Learning
Projects 创建和推进专属于你的深度学习项目 313
Ideas for Deep Learning Projects 深度学习项目思想 313
Machine Vision and GANs
机器视觉和生成式对抗网络 313
Natural Language Processing 自然语言处理 315
Deep Reinforcement Learning 深度强化学习 316
Converting an Existing Machine Learning Project
转换现有的机器学习项目 316
Resources for Further Projects 项目源 317
Socially Beneficial Projects 社会公益项目 318
The Modeling Process, Including Hyperparameter Tuning
建模和超参数调优 318
Automation of Hyperparameter Search
超参数的自动搜索 321
Deep Learning Libraries 深度学习库 321
Keras and TensorFlow Keras 和 TensorFlow 321
PyTorch PyTorch 323
MXNet, CNTK, Caffe, and So On
MXNet、CNTK、Caffe 等 324
Software 2.0 软件2.0 324
Approaching Artificial General Intelligence
走进广义人工智能 326
Summary 小结 328
V Appendices 附录 331
A Formal Neural Network Notation
神经网络符号 333
B Backpropagation 反向传播 335
C PyTorch PyTorch 339
PyTorch Features Pytorch特征 339
Autograd System AutoGrade 机制 339
Define-by-Run Framework 运行定义框架 339
PyTorch Versus TensorFlow
PyTorch 与 TensorFlow 对比 340
PyTorch in Practice PyTorch的实践 341
PyTorch Installation PyTorch 的安装 341
The Fundamental Units Within PyTorch
PyTorch 的基本单位 341
Building a Deep Neural Network in PyTorch
PyTorch 实现一个深度神经网络 343
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
