日本免费综合网...,亚洲五月综合一区二区

本書以通俗易懂的語言和有趣的插畫來解釋深度學習中的概念和方法, 生動形象的插圖更容易幫助讀者理解和記憶。同時, 書中指導讀者將自己的理解制作成短視頻, 以加強學習效果。另外, 書中還指導讀者在 Colab 平臺上進行實踐。本書內(nèi)容全面, 從基礎的神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡等入門知識, 到深度學習的應用領域如計算機視覺、自然語言處理等高級主題都有涉及。本書具有豐富的趣味性、互動性和實踐性, 可以幫助讀者更好地理解深度學習知識, 并為未來的職業(yè)發(fā)展打下堅實的基礎。

第 1 章緒論 1. 1 深度學習的前世今生 1. 2 模型復雜度的提升 1. 3 深度學習的名人軼事第 2 章深度學習中的線性代數(shù) 2. 1 標量、向量、矩陣與張量 2. 2 矩陣的運算 2. 3 單位矩陣與逆矩陣 2. 4 線性相關、生成子空間和范數(shù) 2. 5 一些特殊類型的矩陣 2. 6 特征分解 2. 7 奇異值分解 2. 8 Moore-Penrose 偽逆 2. 9 跡運算 2. 10 行列式 2. 11 例子: 主成分分析第 3 章概率與信息論 3. 1 為什么要使用概率 3. 2 隨機變量 3. 3 概率分布 3. 4 邊緣概率 3. 5 條件概率 3. 6 條件概率的鏈式法則 3. 7 條件獨立性 3. 8 期望、方差和協(xié)方差 3. 9 常用概率分布 3. 10 常用函數(shù)及性質(zhì) 3. 11 貝葉斯規(guī)則 3. 12 信息論中的交叉熵 3. 13 結構化概率模型第 4 章數(shù)值計算 4. 1 上溢和下溢 4. 2 病態(tài)條件 4. 3 基于梯度的優(yōu)化方法 4. 4 約束優(yōu)化 4. 5 實例: 線性最小二乘第 5 章機器學習基礎 5. 1 什么是機器學習算法 5. 2 模型性能的度量 5. 3 過擬合與欠擬合 5. 4 超參數(shù)和交叉驗證 5. 5 最大似然估計 5. 6 什么是隨機梯度下降 5. 7 貝葉斯統(tǒng)計 5. 8 監(jiān)督學習算法 5. 9 無監(jiān)督學習算法 5. 10 促使深度學習發(fā)展的挑戰(zhàn) 第 6 章深度前饋網(wǎng)絡 6. 1 什么是 “前饋” 6. 2 隱藏層 6. 3 輸出單元 6. 4 萬能近似性質(zhì) 6. 5 反向傳播第 7 章深度學習中的正則化 7. 1 參數(shù)范數(shù)懲罰 7. 2 數(shù)據(jù)集增強 7. 3 噪聲魯棒性 7. 4 半監(jiān)督學習 7. 5 多任務學習 7. 6 提前終止 7. 7 參數(shù)綁定和參數(shù)共享 7. 8 稀疏表示 7. 9 Bagging 和其他集成方法 7. 10 Dropout 7. 11 對抗訓練第 8 章深度模型中的優(yōu)化 8. 1 學習和純優(yōu)化有什么不同 8. 2 小批量算法 8. 3 基本算法 8. 4 參數(shù)初始化策略 8. 5 自適應學習率算法 8. 6 二階近似方法 8. 7 一些優(yōu)化策略第 9 章卷積神經(jīng)網(wǎng)絡 9. 1 卷積運算 9. 2 為什么要使用卷積運算 9. 3 池化 9. 4 基本卷積函數(shù)的變體 9. 5 卷積核的初始化第 10 章循環(huán)神經(jīng)網(wǎng)絡 10. 1 展開計算圖 10. 2 循環(huán)神經(jīng)網(wǎng)絡 10. 3 雙向 RNN 10. 4 基于編碼-解碼的序列到序列架構 10. 5 深度循環(huán)網(wǎng)絡 10. 6 遞歸神經(jīng)網(wǎng)絡 10. 7 長短期記憶網(wǎng)絡 10. 8 門控循環(huán)單元 10. 9 截斷梯度第 11 章實踐方法論 11. 1 設計流程 11. 2 更多的性能度量方法 11. 3 默認的基準模型 11. 4 要不要收集更多數(shù)據(jù) 11. 5 超參數(shù)的調(diào)節(jié) 11. 6 模型調(diào)試的重要性第 12 章應用 12. 1 大規(guī)模深度學習 12. 2 計算機視覺中的預處理 12. 3 語音識別 12. 4 自然語言處理 12. 5 推薦系統(tǒng) 12. 6 知識問答系統(tǒng) 第 13 章初識大語言模型 13. 1 大語言模型的背景 13. 2 大語言模型的重要性 13. 3 大語言模型的應用場景 13. 4 大語言模型和傳統(tǒng)方法的區(qū)別第 14 章大語言模型原理 14. 1 Transformer 架構 14. 2 預訓練 14. 3 微調(diào) 14. 4 自回歸訓練 14. 5 掩碼語言模型第 15 章常見的大語言模型 15. 1 GPT 系列模型 15. 2 BERT 15. 3 XLNet 第 16 章大語言模型應用———自然語言生成 16. 1 自動文本生成 16. 2 對話系統(tǒng)和聊天機器人 16. 3 代碼和技術文檔生成 16. 4 創(chuàng)意內(nèi)容生成 16. 5 國產(chǎn)優(yōu)秀大語言模型———文心一言 16. 6 國產(chǎn)優(yōu)秀大語言模型———訊飛星火認知大模型后記

你還可能感興趣

我要評論