深度学习：从基础到实践（上、下册）

深度学习：从基础到实践（上、下册）读书笔记模板01思维导图读书笔记作者介绍内容摘要目录分析精彩摘录目录0305020406思维导图深度基础深度内容上下册数据读者网络参考资料第章数据函数应用贝叶斯网络神经网络深度卷积算法关键字分析思维导图内容摘要内容摘要本书从基本概念和理论入手，通过近千张图和简单的例子由浅入深地讲解深度学习的相关知识，且不涉及复杂的数学内容。本书分为上下两册。上册着重介绍深度学习的基础知识，旨在帮助读者建立扎实的知识储备，主要介绍随机性与基础统计学、训练与测试、过拟合与欠拟合、神经元、学习与推理、数据准备、分类器、集成算法、前馈网络、激活函数、反向传播等内容。下册介绍机器学习的scikit-learn库和深度学习的Keras库（这两种库均基于Python语言），以及卷积神经网络、循环神经网络、自编码器、强化学习、生成对抗网络等内容，还介绍了一些创造性应用，并给出了一些典型的数据集，以帮助读者更好地了解学习。本书适合想要了解和使用深度学习的人阅读，也可作为深度学习教学培训领域的入门级参考用书。读书笔记读书笔记这本书无论是机器学习还是深度学习，基础讲得非常透，实践部分也讲得很好，如要说不足，那就是代码方面偏少了点。相比其他书来说，特别深入浅出，用更浅显的实例讲解，没有复杂的公示。这是一本没有任何数学公式，却把AI讲清楚的入门书。目录分析本书内容为什么写这本书本书几乎不涉及数学问题本书分上下两册内容提要参考资料致谢内容提要1.1为什么这一章出现在这里1.2从标记数据中学习1.3监督学习1.4无监督学习第1章机器学习与深度学习入门1.5生成器1.6强化学习1.7深度学习1.8接下来会讲什么参考资料12345第1章机器学习与深度学习入门2.1为什么这一章出现在这里2.2随机变量2.3一些常见的分布2.4独立性2.5抽样与放回12345第2章随机性与基础统计学2.6Bootstrapping算法2.7高维空间2.8协方差和相关性2.9Anscombe四重奏参考资料12345第2章随机性与基础统计学3.1为什么这一章出现在这里3.2飞镖游戏3.3初级概率学3.4条件概率3.5联合概率12345第3章概率3.6边际概率3.7测量的正确性3.8混淆矩阵的应用参考资料第3章概率4.1为什么这一章出现在这里4.2频率论者法则以及贝叶斯法则4.3抛硬币4.4这枚硬币公平吗第4章贝叶斯定理4.5生活中的贝叶斯定理4.6重复贝叶斯定理4.7多个假设参考资料第4章贝叶斯定理5.1为什么这一章出现在这里5.3导数5.2引言第5章曲线和曲面参考资料5.4梯度第5章曲线和曲面6.1为什么这一章出现在这里6.3用比特作为单位6.2意外程度与语境第6章信息论6.4衡量信息6.5事件的大小6.6自适应编码6.7熵6.8交叉熵12345第6章信息论参考资料6.9KL散度第6章信息论7.1为什么这一章出现在这里7.2二维分类7.3二维多分类7.4多维二元分类7.5聚类12345第7章分类参考资料7.6维度灾难第7章分类8.1为什么这一章出现在这里8.2训练8.3测试数据8.4验证数据8.5交叉验证12345第8章训练与测试参考资料8.6对测试结果的利用第8章训练与测试9.1为什么这一章出现在这里9.2过拟合与欠拟合9.3过拟合数据9.4及早停止9.5正则化12345第9章过拟合与欠拟合9.6偏差与方差参考资料9.7用贝叶斯法则进行线拟合第9章过拟合与欠拟合10.1为什么这一章出现在这里10.2真实神经元10.3人工神经元10.4小结参考资料12345第10章神经元11.1为什么这一章出现在这里11.2学习的步骤11.3演绎和归纳11.4演绎第11章学习与推理11.5归纳11.6组合推理11.7操作条件参考资料第11章学习与推理12.1为什么这一章出现在这里12.2数据变换12.3数据类型12.4数据清理基础12.5归一化和标准化12345第12章数据准备12.6特征选择12.7降维12.8转换12.9切片处理12.10交叉验证转换参考资料010302040506第12章数据准备13.1为什么这一章出现在这里13.2分类器的种类13.3k近邻法13.4支持向量机第13章分类器13.5决策树13.6朴素贝叶斯13.7讨论参考资料第13章分类器14.1为什么这一章出现在这里14.2集成方法14.3投票14.4套袋算法14.5随机森林12345第14章集成算法14.6极端随机树参考资料14.7增强算法第14章集成算法15.1为什么这一章出现在这里15.2介绍15.3Python约定15.4估算器第15章scikit-learn15.5聚类15.6变换15.7数据精化15.8集成器第15章scikit-learn15.9自动化15.10数据集15.11实用工具15.12结束语参考资料12345第15章scikit-learn16.1为什么这一章出现在这里16.3同步与异步流16.2神经网络图第16章前馈网络参考资料16.4权重初始化第16章前馈网络17.1为什么这一章出现在这里17.2激活函数可以做什么17.3基本的激活函数17.4阶跃函数第17章激活函数17.5分段线性函数17.6光滑函数17.7激活函数画廊17.8归一化指数函数参考资料12345第17章激活函数18.1为什么这一章出现在这里18.2一种非常慢的学习方式18.3现在没有激活函数18.4神经元输出和网络误差18.5微小的神经网络18.6第1步：输出神经元的delta010302040506第18章反向传播18.7第2步：使用delta改变权重18.8第3步：其他神经元的delta18.9实际应用中的反向传播18.10使用激活函数第18章反向传播18.11学习率参考资料18.12讨论第18章反向传播19.1为什么这一章出现在这里19.2几何误差19.3调整学习率19.4更新策略第19章优化器19.5梯度下降变体参考资料19.6优化器选择第19章优化器20.1为什么这一章出现在这里20.2深度学习概述20.3输入层和输出层20.4深度学习层纵览第20章深度学习20.5层和图形符号总结20.6一些例子20.7构建一个深度学习器20.8解释结果参考资料12345第20章深度学习21.1为什么这一章出现在这里21.2介绍21.3卷积21.4高维卷积21.5一维卷积12345第21章卷积神经网络21.61×1卷积21.7卷积层21.8转置卷积21.9卷积网络样例21.10对手参考资料010302040506第21章卷积神经网络22.1为什么这一章出现在这里22.2引言22.3状态22.4RNN单元的结构第22章循环神经网络22.5组织输入22.6训练RNN22.7LSTM和GRU22.8RNN的结构22.9一个例子参考资料010302040506第22章循环神经网络23.1为什么这一章出现在这里23.2库和调试23.3概述23.4准备开始23.5准备数据12345第23章Keras第1部分23.6制作模型23.7训练模型23.8训练和使用模型23.9保存和加载23.10回调函数参考资料010302040506第23章Keras第1部分24.1为什么这一章出现在这里24.2改进模型24.3使用scikit-learn24.4卷积网络第24章Keras第2部分24.5RNN参考资料24.6函数式API第24章Keras第2部分25.1为什么这一章出现在这里25.2引言25.3最简单的自编码器25.4更好的自编码器25.5探索自编码器12345第25章自编码器25.6讨论25.7卷积自编码器25.8降噪25.9VAE25.10探索VAE参考资料010302040506第25章自编码器26.1为什么这一章出现在这里26.2目标26.3强化学习的结构26.4翻转26.5L学习12345第26章强化学习26.6Q学习26.7SARSA26.8强化学习的全貌26.9经验回放26.10两个应用参考资料010302040506第26章强化学习27.1为什么这一章出现在这里27.2一个比喻：伪造钞票27.3为什么要用“对抗”27.4GAN的实现27.5实际操作中的GAN27.6DCGAN010302040506第27章生成对抗网络参考资料27.7挑战第27章生成对抗网络28.1为什么这一章出现在这里28.2可视化过滤器28.3deepdreaming28.4神经风