深度学习初学者指南

本书分为三部分。第1部分将帮助你快速理解从数据中学习、深度学习基本架构、如何准备数据，以及深度学习中经常使用的基本概念。第二部分将重介绍无监督学习算法。从自编码器始，然后转向层数更深、规模更大的神经网络模型。第三部分介绍监督学习算法，你将掌握基本和高级深度学习模型的实现方法，并能够将这些模型用于分类、回归以及从潜在空间生成数据等应用场合。
【推荐语】
网络上的信息呈指数级爆炸式增长，通过浏览网络信息获得有助于行深度学习的可靠内容变得比以往任何时候都要困难。如果你是一个初学者，希望从头始学习深度学习理论以及构建深度学习模型，并且已经具备了门所需的基本数学知识和编程知识，那么这本书正是你所需要的。 本书从机器学习的基本概述始，指导你建立流行的基于Python语言的深度学习程序框架。你还将了解如何实现对数据的清洗和预处理，以便使用数据样本行深度学习，并逐步探索神经网络的训练方法和应用技术。本书还将帮助你亲自动手训练单层和多层神经元，从而深理解神经网络模型的工作原理。稍后，你将在一些简单应用实例的帮助下掌握若干当前比较流行的神经网络架构，例如CNN、RNN、AE、VAE和GAN。你甚至将从头始构建这些模型。在每一章的结尾处有一个问答环节，可以帮助你测试对本书内容的掌握情况。 当学完本书的时候，你将能够精通深度学习的概念，并拥有使用特定算法与适当工具解决不同任务所需要的知识。 通过学习本书，你将能够： · 实现用于完成图像分类和自然语言处理任务的RNN模型和长短时记忆模型。 · 探索CNN模型在计算机视觉和信号处理中的作用。 · 理解深度学习建模的伦理。 · 理解与深度学习相关的数学术语。 · 构建GAN和VAE模型，并且从已学习的潜在空间中生成虚拟图像。 · 通过可视化技术实现AE和VAE模型的性能比较。