PaddlePaddle深度学习实战电子书

前言

致谢

第1章 数学基础与Python库

1.1 Python是进行人工智能编程的主要语言

1.2 数学基础

1.2.1 线性代数基础

1.2.2 微积分基础

1.3 Python库的操作

1.3.1 numpy操作

1.3.2 matplotlib操作

本章小结

第2章 深度学习概论与PaddlePaddle入门

2.1 人工智能、机器学习与深度学习

2.1.1 人工智能

2.1.2 机器学习

2.1.3 深度学习

2.2 深度学习的发展历程

2.2.1 神经网络的第一次高潮

2.2.2 神经网络的第一次寒冬

2.2.3 神经网络的第二次高潮

2.2.4 神经网络的第二次寒冬

2.2.5 深度学习的来临

2.2.6 深度学习崛起的时代背景

2.3 深度学习的应用场景

2.3.1 图像与视觉

2.3.2 语音识别

2.3.3 自然语言处理

2.3.4 个性化推荐

2.4 常见的深度学习网络结构

2.4.1 全连接网络结构

2.4.2 卷积神经网络

2.4.3 循环神经网络

2.5 机器学习回顾

2.5.1 线性回归的基本概念

2.5.2 数据处理

2.5.3 模型概览

2.5.4 效果展示

2.6 深度学习框架简介

2.6.1 深度学习框架的作用

2.6.2 常见的深度学习框架

2.6.3 PaddlePaddle简介

2.6.4 PaddlePaddle使用

2.7 PaddlePaddle实现

本章小结

第3章 深度学习的单层网络

3.1 Logistic回归模型

3.1.1 Logistic回归概述

3.1.2 损失函数

3.1.3 Logistic回归的梯度下降

3.2 实现Logistic回归模型

3.2.1 Python版本

3.2.2 PaddlePaddle版本

本章小结

第4章 浅层神经网络

4.1 神经网络

4.1.1 神经网络的定义及其结构

4.1.2 神经网络的计算

4.2 BP算法

4.2.1 逻辑回归与BP算法

4.2.2 单样本双层神经网络的BP算法

4.2.3 多个样本神经网络BP算法

4.3 BP算法实践

4.3.1 Python版本

4.3.2 PaddlePaddle版本

本章小结

第5章 深层神经网络

5.1 深层网络介绍

5.1.1 深度影响算法能力

5.1.2 网络演化过程与常用符号

5.2 传播过程

5.2.1 神经网络算法核心思想

5.2.2 深层网络前向传播过程

5.2.3 深层网络后向传播过程

5.2.4 传播过程总结

5.3 网络的参数

5.4 代码实现

5.4.1 Python版本

5.4.2 PaddlePaddle版本

本章小结

第6章 卷积神经网络

6.1 图像分类问题描述

6.2 卷积神经网络介绍

6.2.1 卷积层

6.2.2 ReLU激活函数

6.2.3 池化层

6.2.4 Softmax分类层

6.2.5 主要特点

6.2.6 经典神经网络架构

6.3 PaddlePaddle实现

6.3.1 数据介绍

6.3.2 模型概览

6.3.3 配置说明

6.3.4 应用模型

本章小结

第7章 个性化推荐

7.1 问题描述

7.2 传统推荐方法

7.2.1 基于内容的推荐

7.2.2 协同过滤推荐

7.2.3 混合推荐

7.3 深度学习推荐方法

7.3.1 YouTube的深度神经网络推荐系统

7.3.2 融合推荐系统

7.4 个性化推荐系统在PaddlePaddle上的实现

7.4.1 数据准备

7.4.2 模型配置

7.4.3 模型训练

7.4.4 模型测试

本章小结

第8章 个性化推荐的分布式实现

8.1 PaddlePaddle Cloud介绍

8.2 PaddlePaddle Cloud使用

8.2.1 创建集群

8.2.2 配置集群

8.2.3 配置客户端

8.3 个性化推荐在PaddlePaddle Cloud上的实现

8.3.1 提交单节点任务

8.3.2 个性化推荐在PaddlePaddle Cloud上的实现

本章小结

第9章 广告CTR预估

9.1 CTR预估简介

9.1.1 CTR定义

9.1.2 CTR与推荐算法的异同

9.1.3 CTR预估的评价指标

9.2 CTR预估的基本过程

9.2.1 CTR预估的三个阶段

9.2.2 CTR预估中的特征预处理

9.3 CTR预估的常见模型

9.3.1 LR模型

9.3.2 GBDT模型

9.3.3 GBDT+LR模型

9.3.4 FM+DNN模型

9.3.5 MLR模型

9.4 CTR预估在工业上的实现

9.5 CTR预估在PaddlePaddle上的实现

9.5.1 数据集

9.5.2 预测模型选择和构建

9.5.3 PaddlePaddle完整实现

本章小结

第10章 算法优化

10.1 基础知识

10.1.1 训练、验证和测试集

10.1.2 偏差和方差

10.2 评估

10.2.1 选定评估目标

10.2.2 迭代过程

10.2.3 欠拟合和过拟合

10.3 调优策略

10.3.1 降低偏差

10.3.2 降低方差

10.4 超参数调优

10.4.1 随机搜索和网格搜索

10.4.2 超参数范围

10.4.3 分阶段搜索

10.4.4 例子：对学习率的调整

本章小结