深度学习基础（影印版）

　　Preface
　　1. The Neural Network
　　Building Intelligent Machines
　　The Limits of Traditional Computer Programs
　　The Mechanics of Machine Learning
　　The Neuron
　　Expressing Linear Perceptrons as Neurons
　　Feed-Forward Neural Networks
　　Linear Neurons and Their Limitation…
　查看完整　　

　　Nikhil Buduma是Remedy的联合创始人和首席科学家，该公司位于美国旧金山，旨在建立数据驱动为主的健康管理新系统。16岁时，他在圣何塞州立大学管理过一个药物发现实验室，为资源受限的社区研发新颖而低成本的筛查方法。到了19岁，他是国际生物学奥林匹克竞赛的两枚金牌获得者。随后加入MIT，在那里他专注于开发大规模数据系统以影响健康服务、精神健康和医药研究。在MIT，他联合创立了Lean On Me，一家全国性的非营利组织，提供匿名短信热线在大学校园内实现有效的一对一支持，并运用数据来积极影响身心健康。如今，Nikhil通过他的风投基金Q Venture Partners投资硬科技和数据公司，还为Milwaukee Brewers篮球队管理一支数据分析团队。
　　本书内容贡献者Nick Locascio是一位深度学习顾问、作家和研究者。Nick在MIT的Regina Barzilay实验室获得了本科和工程硕士学位，专业…
　查看完整　　

　　Google、微软和Facebook等公司正在积极发展内部的深度学习团队。对于我们而言，深度学习仍然是一门非常复杂和难以掌握的课题。如果你熟悉Python，并且具有微积分背景，以及对于机器学习的基本理解，本书将帮助你开启深度学习之旅。
　　* 检验机器学习和神经网络基础
　　* 学习如何训练前馈神经网络
　　* 使用TensorFlow实现你的第1个神经网络
　　* 管理随着网络加深带来的各种问题
　　* 建立神经网络用于分析复杂图像
　　* 使用自动编码器实现有效的维度缩减
　　* 深入了解从序列分析到语言检验
　查看完整　　

　　Preface
　　1. The Neural Network
　　Building Intelligent Machines
　　The Limits of Traditional Computer Programs
　　The Mechanics of Machine Learning
　　The Neuron
　　Expressing Linear Perceptrons as Neurons
　　Feed-Forward Neural Networks
　　Linear Neurons and Their Limitations
　　Sigmoid， Tanh， and ReLU Neurons
　　Softmax Output Layers
　　Looking Forward
　　2. Training Feed-Forward Neural Networks
　　The Fast-Food Problem
　　Gradient Descent
　　The Delta Rule and Learning Rates
　　Gradient Descent with Sigmoidal Neurons
　　The Backpropagation Algorithm
　　Stochastic and Minibatch Gradient Descent
　　Test Sets， Validation Sets， and Overfitting
　　Preventing Overfitting in Deep Neural Networks
　　Summary
　　3. Implementing Neural Networks in TensorFIow
　　What Is TensorFlow?
　　How Does TensorFlow Compare to Alternatives?
　　Installing TensorFlow
　　Creating and Manipulating TensorFlow Variables
　　TensorFlow Operations
　　Placeholder Tensors
　　Sessions in TensorFlow
　　Navigating Variable Scopes and Sharing Variables
　　Managing Models over the CPU and GPU
　　Specifying the Logistic Regression Model in TensorFlow
　　Logging and Training the Logistic Regression Model
　　Leveraging TensorBoard to Visualize Computation Graphs and Learning
　　Building a Multilayer Model for MNIST in TensorFlow
　　Summary
　　4. Beyond Gradient Descent
　　The Challenges with Gradient Descent
　　Local Minima in the Error Surfaces of Deep Networks
　　Model Identifiability
　　How Pesky Are Spurious Local Minima in Deep Networks?
　　Flat Regions in the Error Surface
　　When the Gradient Points in the Wrong Direction
　　Momentum-Based Optimization
　　A Brief View of Second-Order Methods
　　Learning Rate Adaptation
　　AdaGrad——Accumulating Historical Gradients
　　RMSProp——Exponentially Weighted Moving Average of Gradients
　　Adam——Combining Momentum and RMSProp
　　The Philosophy Behind Optimizer Selection
　　Summary
　　5. Convolutional Neural Networks
　　Neurons in Human Vision
　　The Shortcomings of Feature Selection
　　Vanilla Deep Neural Networks Don't Scale
　　Filters and Feature Maps
　　Full Description of the Convolutional Layer
　　Max Pooling
　　Full Architectural Description of Convolution Networks
　　Closing the Loop on MNIST with Convolutional Networks
　　Image Preprocessing Pipelines Enable More Robust Models
　　Accelerating Training with Batch Normalization
　　Building a Convolutional Network for CIFAR-10
　　Visualizing Learning in Convolutional Networks
　　Leveraging Convolutional Filters to Replicate Artistic Styles
　　Learning Convolutional Filters for Other Problem Domains
　　Summary
　　6. Embedding and Representation Learning
　　Learning Lower-Dimensional Representations
　　Principal Component Analysis
　　Motivating the Autoencoder Architecture
　　Implementing an Autoencoder in TensorFlow
　　Denoising to Force Robust Representations
　　Sparsity in Autoencoders
　　When Context Is More Informative than the Input Vector
　　The Word2Vec Framework
　　Implementing the Skip-Gram Architecture
　　Summary
　　7. Models for Sequence Analysis
　　Analyzing Variable-Length Inputs
　　Tackling seq2seq with Neural N-Grams
　　Implementing a Part-of-Speech Tagger
　　Dependency Parsing and SyntaxNet
　　Beam Search and Global Normalization
　　A Case for Stateful Deep Learning Models
　　Recurrent Neural Networks
　　The Challenges with Vanishing Gradients
　　Long Short-Term Memory （LSTM） Units
　　TensorFlow Primitives for RNN Models
　　Implementing a Sentiment Analysis Model
　　Solving seq2seq Tasks with Recurrent Neural Networks
　　Augmenting Recurrent Networks with Attention
　　Dissecting a Neural Translation Network
　　Summary
　　8. Memory Augmented Neural Networks
　　Neural Turing Machines
　　Attention-Based Memory Access
　　NTM Memory Addressing Mechanisms
　　Differentiable Neural Computers
　　Interference-Free Writing in DNCs
　　DNC Memory Reuse
　　Temporal Linking of DNC Writes
　　Understanding the DNC Read Head
　　The DNC Controller Network
　　Visualizing the DNC in Action
　　Implementing the DNC in TensorFlow
　　Teaching a DNC to Read and Comprehend
　　Summary
　　9. Deep Reinforcement Learning
　　Deep Reinforcement Learning Masters Atari Games
　　What Is Reinforcement Learning?
　　Markov Decision Processes （MDP）
　　Policy
　　Future Return
　　Discounted Future Return
　　Explore Versus Exploit
　　Policy Versus Value Learning
　　Policy Learning via Policy Gradients
　　Pole-Cart with Policy Gradients
　　OpenAI Gym
　　Creating an Agent
　　Building the Model and Optimizer
　　Sampling Actions
　　Keeping Track of History
　　Policy Gradient Main Function
　　PGAgent Performance on Pole-Cart
　　Q-Learning and Deep Q-Networks
　　The Bellman Equation
　　Issues with Value Iteration
　　Approximating the Q-Function
　　Deep Q-Network （DQN）
　　Training DQN
　　Learning Stability
　　Target Q-Network
　　Experience Replay
　　From Q-Function to Policy
　　DQN and the Markov Assumption
　　DQN's Solution to the Markov Assumption
　　Playing Breakout wth DQN
　　Building Our Architecture
　　Stacking Frames
　　Setting Up Training Operations
　　Updating Our Target Q-Network
　　Implementing Experience Replay
　　DQN Main Loop
　　DQNAgent Results on Breakout
　　Improving and Moving Beyond DQN
　　Deep Recurrent Q-Networks （DRQN）
　　Asynchronous Advantage Actor-Critic Agent （A3C）
　　UNsupervised REinforcement and Auxiliary Learning （UNREAL）
　　Summary
　　Index
^ 收 起　　

　　Nikhil Buduma是Remedy的联合创始人和首席科学家，该公司位于美国旧金山，旨在建立数据驱动为主的健康管理新系统。16岁时，他在圣何塞州立大学管理过一个药物发现实验室，为资源受限的社区研发新颖而低成本的筛查方法。到了19岁，他是国际生物学奥林匹克竞赛的两枚金牌获得者。随后加入MIT，在那里他专注于开发大规模数据系统以影响健康服务、精神健康和医药研究。在MIT，他联合创立了Lean On Me，一家全国性的非营利组织，提供匿名短信热线在大学校园内实现有效的一对一支持，并运用数据来积极影响身心健康。如今，Nikhil通过他的风投基金Q Venture Partners投资硬科技和数据公司，还为Milwaukee Brewers篮球队管理一支数据分析团队。
　　本书内容贡献者Nick Locascio是一位深度学习顾问、作家和研究者。Nick在MIT的Regina Barzilay实验室获得了本科和工程硕士学位，专业从事NLP和计算机视觉研究。他曾工作于多个项目，从训练神经网络到编写自然语言提示，甚至与MGH Radiology部门合作将深度学习应用于乳腺X线摄影的医学辅助诊断。Nick的工作已被MIT News和CNBC报道。在其闲暇之余，Nick为财富500强企业提供私人的深度学习咨询服务。他还联合创立了标志性的MIT课程6.S191 Intro to Deep Learning，教过300余名学生，听众包括博士后和教授。
^ 收 起　　

　　Google、微软和Facebook等公司正在积极发展内部的深度学习团队。对于我们而言，深度学习仍然是一门非常复杂和难以掌握的课题。如果你熟悉Python，并且具有微积分背景，以及对于机器学习的基本理解，本书将帮助你开启深度学习之旅。
　　* 检验机器学习和神经网络基础
　　* 学习如何训练前馈神经网络
　　* 使用TensorFlow实现你的第1个神经网络
　　* 管理随着网络加深带来的各种问题
　　* 建立神经网络用于分析复杂图像
　　* 使用自动编码器实现有效的维度缩减
　　* 深入了解从序列分析到语言检验
　　* 掌握强化学习基础
^ 收 起