Python深度学习2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

Python深度学习PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 如何阅读本书1

1.1 获取Python2

1.1.1 学习Python3

1.1.2 软件包3

1.2 不需要等待3

1.3 小结4

附注5

第2章 深度学习入门6

2.1 为什么要学习深度学习7

2.1.1 最后一子8

2.1.2 一件怪事8

2.1.3 两类人9

2.2 什么是深度学习10

2.2.1 成功的蓝图10

2.2.2 有监督学习和无监督学习11

2.2.3 深度学习的流程11

2.3 深度学习能解决什么问题12

2.4 哪些领域使用深度学习14

2.4.1 深度学习能揭开永葆青春的秘密吗15

2.4.2 衰老的挑战15

2.4.3 众多的理论16

2.4.4 数据科学家的答案16

2.5 想使用深度学习——却不知如何开始17

2.6 小结18

附注18

第3章 神经网络基础27

3.1 历史备忘录28

3.2 神经网络的拓扑结构29

3.3 神经元的作用30

人工神经元31

3.4 理解激活函数31

3.4.1 数学计算32

3.4.2 sigmoid函数34

3.4.3 运算成本34

3.5 神经网络如何进行学习35

基本算法36

3.6 解释梯度下降算法37

3.6.1 误差曲面38

3.6.2 随机梯度下降39

3.7 小结39

附注40

第4章 深度神经网络简介42

4.1 深度神经网络简析43

4.2 怎样在一分钟内解释深度神经网络44

4.2.1 如何看待DNN44

4.2.2 统计学家的视角45

4.2.3 一个关键的观点45

4.3 深度神经网络的3种使用方式45

4.3.1 增强雾天的可视性46

4.3.2 打击黑客犯罪50

4.3.3 不可思议的缩略图51

4.4 如何快速地近似任何函数54

4.4.1 一个用Python构建深度神经网络的极简方法55

4.4.2 生成示例56

4.4.3 检查样本57

4.4.4 格式化数据58

4.4.5 拟合模型60

4.4.6 性能表现评估61

4.5 有监督学习概述62

4.5.1 有监督学习的目标63

4.5.2 无监督学习63

4.5.3 半监督学习64

4.6 小结65

附注65

第5章 如何构建可定制的深度预测模型70

5.1 一个深度神经网络预测的实际应用71

5.1.1 样本数据和神经网络71

5.1.2 可靠的性能表现72

5.2 明确预测目标72

5.3 获取数据的拷贝74

5.4 标准化的重要性75

5.5 使用训练样本和测试样本76

5.6 创建深度神经网络回归模型的极简方式78

5.7 学习速率详解79

5.7.1 选择最佳值80

5.7.2 如果将模型拟合到数据81

5.8 评估模型在训练集性能表现的几种方式81

5.8.1 均方差82

5.8.2 获取预测和度量性能83

5.9 小结83

附注84

第6章 提高性能的一些技巧85

6.1 sigmoid激活函数的局限86

6.2 选择最佳层数的原则89

6.3 如何快速改进模型92

6.4 避免过度拟合93

6.5 应该包含多少个神经元95

6.6 评估测试数据集上的性能96

6.7 冻结网络权重97

6.8 保存网络以供将来使用98

6.9 小结99

附注99

第7章 二元分类神经网络的奥秘101

7.1 感人至深——创造奇迹102

7.1.1 一项二元分类任务103

7.1.2 有用的结果103

7.2 了解分类目标104

7.3 使用Python从网络下载数据105

7.4 处理缺失的观测值107

7.5 保存数据111

7.6 冲量简单入门112

7.7 留出法的秘密113

7.8 如何用Python快速构建一个深度神经网络二元分类器115

7.8.1 生成训练集和测试集117

7.8.2 指定模型117

7.8.3 拟合模型118

7.8.4 混淆矩阵119

7.9 小结120

附注120

第8章 构建优秀模型之道123

8.1 尝试最简单的想法提高成功率124

8.2 辍学的威力124

8.3 相似性126

8.4 共适应126

8.5 一个教训127

8.6 双曲正切激活函数的威力以及如何有效地使用127

8.7 如何从小批量方法中获益128

8.8 重建模型129

8.9 关于不平衡样本你应该知道的事131

8.9.1 核心问题131

8.9.2 查看测试集上的表现133

8.10 小结134

附注134

第9章 深度神经网络在多元分类问题的简单应用136

9.1 分类问题描述138

9.1.1 查看样本139

9.1.2 检查目标对象140

9.2 关于softmax激活函数的说明140

9.3 使用rmsprop算法构建多项式模型141

9.3.1 关于rmsprop算法的说明143

9.3.2 模型性能表现144

9.4 Adagrad学习算法概述144

9.5 如何尝试其他学习算法146

9.5.1 Nesterov的加速梯度下降算法146

9.5.2 尝试冲量法147

9.5.3 常规随机梯度下降法148

9.5.4 在模型中使用Adadelta算法149

9.5.5 测试集性能表现150

9.6 小结152

9.7 结束语152

附注152