作者:
        
            
            [美] 安德鲁·格拉斯纳
    
出版社: 人民邮电出版社
出品方: 异步图书
副标题: 从基础到实践
原作名: Deep Learning: From Basics to Practice
译者: 罗家佳
出版年: 2022-11
定价: 199.80元
装帧: 平装
丛书: 异步图书深度学习系列
ISBN: 9787115554512
    
    
  
出版社: 人民邮电出版社
出品方: 异步图书
副标题: 从基础到实践
原作名: Deep Learning: From Basics to Practice
译者: 罗家佳
出版年: 2022-11
定价: 199.80元
装帧: 平装
丛书: 异步图书深度学习系列
ISBN: 9787115554512
内容简介 · · · · · ·
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(这两个库均基于 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。
作者简介 · · · · · ·
安德鲁·格拉斯纳(Andrew Glassner)博士是一位作家,同时也是计算机交互、图形学领域的顾问。他于1978年开始从事3D计算机绘图工作,在 NYIT 计算机图形实验室、凯斯西储大学、IBM TJ Watson 研究实验室、代尔夫特理工大学、贝尔通信研究、施乐帕克研究中心和微软研究院等公司进行了相关研究。《纽约时报》曾评价他为“计算机图形研究领域最受尊敬的天才之一。”
目录 · · · · · ·
        译者序
前言
第1章 机器学习与深度学习入门
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
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
第2章 随机性与基础统计学
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
2.6 Bootstrapping算法
2.7 高维空间
2.8 协方差和相关性
2.9 Anscombe四重奏
参考资料
第3章 概率
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
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4章 贝叶斯定理
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
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5章 曲线和曲面
5.1 为什么这一章出现在这里
5.2 引言
5.3 导数
5.4 梯度
参考资料
第6章 信息论
6.1 为什么这一章出现在这里
6.2 意外程度与语境
6.3 用比特作为单位
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
6.9 KL散度
参考资料
第7章 分类
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
7.6 维度灾难
参考资料
第8章 训练与测试
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
8.6 对测试结果的利用
参考资料
第9章 过拟合与欠拟合
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
9.6 偏差与方差
9.7 用贝叶斯法则进行线拟合
参考资料
第10章 神经元
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
第11章 学习与推理
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
11.5 归纳
11.6 组合推理
11.7 操作条件
参考资料
第12章 数据准备
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
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
第13章 分类器
13.1 为什么这一章出现在这里
13.2 分类器的种类
13.3 k近邻法
13.4 支持向量机
13.5 决策树
13.6 朴素贝叶斯
13.7 讨论
参考资料
第14章 集成算法
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
14.6 极端随机树
14.7 增强算法
参考资料
第15章 scikit-learn
15.1 为什么这一章出现在这里
15.2 介绍
15.3 Python 约定
15.4 估算器
15.5 聚类
15.6 变换
15.7 数据精化
15.8 集成器
15.9 自动化
15.10 数据集
15.11 实用工具
15.12 结束语
参考资料
第16章 前馈网络
16.1 为什么这一章出现在这里
16.2 神经网络图
16.3 同步与异步流
16.4 权重初始化
参考资料
第17章 激活函数
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
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
第18章 反向传播
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delta
18.7 第2步:使用delta改变权重
18.8 第3步:其他神经元的delta
18.9 实际应用中的反向传播
18.10 使用激活函数
18.11 学习率
18.12 讨论
参考资料
第19章 优化器
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
19.5 梯度下降变体
19.6 优化器选择
参考资料
第20章 深度学习
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
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
第21章 卷积神经网络
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
21.6 1×1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
第22章 循环神经网络
22.1 为什么这一章出现在这里
22.2 引言
22.3 状态
22.4 RNN单元的结构
22.5 组织输入
22.6 训练RNN
22.7 LSTM和GRU
22.8 RNN的结构
22.9 一个例子
参考资料
第23章 Keras第1部分
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
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
第24章 Keras第2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-learn
24.4 卷积网络
24.5 RNN
24.6 函数式API
参考资料
第25章 自编码器
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
25.6 讨论
25.7 卷积自编码器
25.8 降噪
25.9 VAE
25.10 探索VAE
参考资料
第26章 强化学习
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
26.5 L学习
26.6 Q学习
26.7 SARSA
26.8 强化学习的全貌
26.9 经验回放
26.10 两个应用
参考资料
第27章 生成对抗网络
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”
27.4 GAN的实现
27.5 实际操作中的GAN
27.6 DCGAN
27.7 挑战
参考资料
第28章 创造性应用
28.1 为什么这一章出现在这里
28.2 可视化过滤器
28.3 deep dreaming
28.4 神经风格迁移
28.5 为本书生成更多的内容
参考资料
第29章 数据集
29.1 公共数据集
29.2 MNIST和Fashion-MNIST
29.3 库的内建数据集
· · · · · · (收起)
  
前言
第1章 机器学习与深度学习入门
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
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
第2章 随机性与基础统计学
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
2.6 Bootstrapping算法
2.7 高维空间
2.8 协方差和相关性
2.9 Anscombe四重奏
参考资料
第3章 概率
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
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4章 贝叶斯定理
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
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5章 曲线和曲面
5.1 为什么这一章出现在这里
5.2 引言
5.3 导数
5.4 梯度
参考资料
第6章 信息论
6.1 为什么这一章出现在这里
6.2 意外程度与语境
6.3 用比特作为单位
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
6.9 KL散度
参考资料
第7章 分类
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
7.6 维度灾难
参考资料
第8章 训练与测试
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
8.6 对测试结果的利用
参考资料
第9章 过拟合与欠拟合
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
9.6 偏差与方差
9.7 用贝叶斯法则进行线拟合
参考资料
第10章 神经元
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
第11章 学习与推理
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
11.5 归纳
11.6 组合推理
11.7 操作条件
参考资料
第12章 数据准备
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
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
第13章 分类器
13.1 为什么这一章出现在这里
13.2 分类器的种类
13.3 k近邻法
13.4 支持向量机
13.5 决策树
13.6 朴素贝叶斯
13.7 讨论
参考资料
第14章 集成算法
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
14.6 极端随机树
14.7 增强算法
参考资料
第15章 scikit-learn
15.1 为什么这一章出现在这里
15.2 介绍
15.3 Python 约定
15.4 估算器
15.5 聚类
15.6 变换
15.7 数据精化
15.8 集成器
15.9 自动化
15.10 数据集
15.11 实用工具
15.12 结束语
参考资料
第16章 前馈网络
16.1 为什么这一章出现在这里
16.2 神经网络图
16.3 同步与异步流
16.4 权重初始化
参考资料
第17章 激活函数
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
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
第18章 反向传播
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delta
18.7 第2步:使用delta改变权重
18.8 第3步:其他神经元的delta
18.9 实际应用中的反向传播
18.10 使用激活函数
18.11 学习率
18.12 讨论
参考资料
第19章 优化器
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
19.5 梯度下降变体
19.6 优化器选择
参考资料
第20章 深度学习
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
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
第21章 卷积神经网络
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
21.6 1×1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
第22章 循环神经网络
22.1 为什么这一章出现在这里
22.2 引言
22.3 状态
22.4 RNN单元的结构
22.5 组织输入
22.6 训练RNN
22.7 LSTM和GRU
22.8 RNN的结构
22.9 一个例子
参考资料
第23章 Keras第1部分
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
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
第24章 Keras第2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-learn
24.4 卷积网络
24.5 RNN
24.6 函数式API
参考资料
第25章 自编码器
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
25.6 讨论
25.7 卷积自编码器
25.8 降噪
25.9 VAE
25.10 探索VAE
参考资料
第26章 强化学习
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
26.5 L学习
26.6 Q学习
26.7 SARSA
26.8 强化学习的全貌
26.9 经验回放
26.10 两个应用
参考资料
第27章 生成对抗网络
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”
27.4 GAN的实现
27.5 实际操作中的GAN
27.6 DCGAN
27.7 挑战
参考资料
第28章 创造性应用
28.1 为什么这一章出现在这里
28.2 可视化过滤器
28.3 deep dreaming
28.4 神经风格迁移
28.5 为本书生成更多的内容
参考资料
第29章 数据集
29.1 公共数据集
29.2 MNIST和Fashion-MNIST
29.3 库的内建数据集
· · · · · · (收起)
原文摘录 · · · · · ·
- 
          
本书的读者对象是那些渴望在工作中应用机器学习和深度学习的人们,包括程序员、艺术工作者、工程师、科学家、管理人员、音乐家、医生,以及任何希望通过处理大量信息来获得洞见或生成新数据的人。 你可以在许多开源库中找到许多机器学习工具(特别是深度学习)。每个人都可以立即下载和使用这些工具。 尽管这些免费工具安装简单,但是你仍然需要掌握大量的技术和知识才能正确使用这些工具。让计算机做一些无意义的事情很容易: 它会严格照做,然后输出更多无意义的结果。 这种情况时有发生。虽然机器学习和深度学习库功能强大,但它们对用户来说并不友好。你不仅需要选择正确的算法,还要能够正确地应用这些算法。从技术角度讲,你仍然需要做出一系列明智的决策。当工作偏离预期时,你需要利用自己对系统内部的了解令其回归正轨。 学习和掌握这些基本信息的方法多种多样,这取决于你喜欢怎样的学习方式。有些人喜欢详细的硬核式算法分析,并辅以大量数学运算。如果这是你的学习方式,那么你可以阅读一些有关这方面的书籍,比如[Bishop06]和[Goodfellow17]。为此,你需要付出大量努力。不过,你获得的回报也会很丰厚,即全面了解机聚学习的工作方式及原理。如果以这种方式学习,那么你必须额外投入大量的精力来将理论知识付诸实践。 另外一种截然不同的情形是:有些人只想知道完成某些特定任务的方法。有关这方面的速成图书也有很多,你可以从中找到各种机器学习库,比如[Chollet17]、[Muller-Guido16]、[Raschka15]和VanderPlas16]。与需要大量运算的方法相比,这种方法难度较低。但是,你会觉得自己缺少对结构信息的掌握——这些信息有助于你理解算法的工作原理。如果未能掌握这些信息及相关词汇,一些你原以为可行的算法可能变得不可行,或者某种算法的结果可能不如预期,而你很难对此找到问题的根源所在。另外,你将无法... (查看原文) —— 引自章节:上册  - 
          
深度学习(或称深度神经网络)是一种使用了特殊分层计算结构的机器学习方法。近年来,深度学习在计算机视觉、语音识别、自然语言处理和机器人等应用领域取得了惊人的突破。2019年3月27日,美国计算机协会 (ACM)将“计算机界的诺贝尔奖”图灵奖授予了3位深度学习之父(Yoshua Bengio、Geoffrey Hinton和Yann LeCun),以表彰他们给人工智能带来的重大突破——这些突破使深度神经网络成为计算的关键组成部分。这也意味着深度学习的神秘面纱至此已被揭开。 本书由计算机图形学专家Andrew Glassner撰写,介绍了深度学习的基础知识和实践深度学习的方法。全书分为上下两册:上册介绍深度学习的预备知识,涵盖基本的数学知识和机器学习的基本概念以及通用机器学习库scikit-learn的相关内容,下册深入介绍了各种成熟的深度学习方法和技术以及深度学习库Keras。 正如Andrew Glassner所描述的那样,在本书英文版出版之前,市面上其实已出现了较多的深度学习相关的图书。例如,由lan Goodfellow等撰写的Deep Learning一书,对算法进行了非常详细的分析,并给出了大量的数学运算;还有一类风格截然不同的书,例如由Francois Chollet撰写的Deep Learning with Python,主要是针对只想知道如何利用各种机器学习库快速完成某些特定任务的读者。本书介于这二者之间,主要介绍深度学习的基础知识,以帮助读者建立扎实的知识储备,进而了解深度学习实践的进展。Andrew Glassner擅长以类比和图示的方法讲解复杂的理论知识,因此本书对不具备相关理论知识的读者也会非常有帮助。 (查看原文) —— 引自章节:上册  
    
  
  
    丛书信息
       · · · · · ·
  
  异步图书深度学习系列(共43册),
这套丛书还有
《深度学习高手笔记 卷2:经典应用》《动手学强化学习》《Python深度学习》《深度学习与围棋》《深度学习导论》
等
。
喜欢读"深度学习"的人也喜欢 · · · · · ·
- 
            
         - 机器学习公式详解 9.5
 
- 
            
         - 百面深度学习 7.8
 
- 
            
         - 动手学强化学习 8.5
 
- 
            
         - 动手学机器学习 8.6
 
- 
            
         - 零基础学机器学习 9.1
 
- 
            
         - 扩散模型从原理到实战 6.4
 
- 
            
         - 机器学习与深度学习算法基础 9.5
 
- 
            
         - PyTorch生成对抗网络编程 8.9
 
- 
            
         - 软件调试 第2版 8.9
 
深度学习的书评 · · · · · · ( 全部 3 条 )
> 更多书评 3篇
论坛 · · · · · ·
在这本书的论坛里发言这本书的其他版本 · · · · · · ( 全部3 )
- 
        No Starch Press (2021)暂无评分 6人读过
 - 
        中国青年出版社 (2024)7.6分 17人读过
 
以下书单推荐 · · · · · · ( 全部 )
- 通识/通史:多学科的视野 (🦉的瓦涅密)
 - 计算机 (徐永冰)
 - 非虚构-理工类 (蜉蝣寄世)
 - 书单|8.5分-8.9分 (北风)
 - 书单 (杰哒哒)
 
谁读这本书? · · · · · ·
  
  
  
    二手市场
       · · · · · ·
  
- 在豆瓣转让 有354人想读,手里有一本闲着?
 
订阅关于深度学习的评论: 
     feed: rss 2.0
  
 
          
      
                
                
                        
                        
19 有用 王知寒 2022-12-18 16:02:46 山东
刚才写了书评,好像被吞掉了。 整体来看,本书比较基础,没有什么深奥的东西。 但是本书机翻语法问题严重,看了序,大抵是学生全权翻译的吧。由于最近小组刚刚给导师翻译了一本书,所以对机翻的语法还是比较敏感的。本书中的许多语序语法、遣词造句相对来说还是没有从机翻的译文中更改或者是改好的。有些地方甚至可以说得上是烂!有大量的不符合中文习惯的地方。 作为一种内容不是那么“深”的一本书,如果不在乎他的词句... 刚才写了书评,好像被吞掉了。 整体来看,本书比较基础,没有什么深奥的东西。 但是本书机翻语法问题严重,看了序,大抵是学生全权翻译的吧。由于最近小组刚刚给导师翻译了一本书,所以对机翻的语法还是比较敏感的。本书中的许多语序语法、遣词造句相对来说还是没有从机翻的译文中更改或者是改好的。有些地方甚至可以说得上是烂!有大量的不符合中文习惯的地方。 作为一种内容不是那么“深”的一本书,如果不在乎他的词句的问题,还是值得拿来当做了解这一方面的科普文章来看的。 (展开)
0 有用 沉寂之舟 2023-06-15 23:43:01 俄罗斯
总体开始,本书还是偏原理,不偏代码实战,挺好的.把篇幅留给图片和说明,代码有的是书去贴,算是我看的里面最好的一本入门书了.上半本各个章节略显离散,下半本就是按照深度学习展开.作者还有一点理工科幽默,风格不错..
1 有用 Aquietzero 2023-07-24 12:45:27 广东
说实话,看前半部分的时候还是觉得有点简单和啰嗦的,为了不写公式花费了更多的唇舌描述简单内容,但后半部分各种精心的示意图非常清晰地表达了概念,尤其是尝试解释卷积网络如何工作的部分非常精彩。之前被几本严肃的教材劝退了,靠着这本弄清楚了大部分的概念,可以再重新看严肃教材了~
1 有用 Marvin不慌 2023-01-03 18:11:27 北京
书中采用了清晰的解释、大量的插图,而且除了加法和乘法之外没有其他复杂的数学来使读者入门深度学习。
3 有用 异步图书 2023-01-05 17:50:05 北京
本书的语言逻辑、整体结构上对读者十分友好,不会过于深奥。书中还包含了近千张精心构思和的图像。