網絡上的信息呈指數級爆炸式增長，通過瀏覽網絡信息獲得有助於進行深度學習的可靠內容變得比以往任何時候都要困難。如果你是一個初學者，希望從頭開始學習深度學習理論以及構建深度學習模型，並且已經具備了入門所需的基本數學知識和編程知識，那麼這本書正是你所需要的。 本書從機器學習的基本概述開始，指導你建立流行的基於Python語言的深度學習程序框架。你還將了解如何實現對數據的清洗和預處理，以便使用數據樣本進行深度學習，並逐步探索神經網絡的訓練方法和應用技術。本書還將幫助你親自動手訓練單層和多，從而深等

●譯者序
序
前言
作者簡介
審校者簡介
第一部分 深度學習快速入門
第1章 機器學習概述
1.1 接觸ML生態繫統
1.2 從數據中訓練ML算法
1.3 深度學習概述
1.3.1模型
1.3.2 感知機學習算法
1.3.3 淺層網絡
1.3.4 深度網絡
1.4 深度學習在現代社會中的重要性
1.5 小結
1.6 習題與答案
1.7 參考文獻
第2章 深度學習框架的搭建與概述
2.1 Colaboratory簡介
2.2 TensorFlow的簡介與安裝
2.2.1 安裝
2.2.2 擁有GPU支持的TensorFlow
2.2.3 TensorFlow背後的原理
2.3 Keras的簡介與安裝
2.3.1 安裝
2.3.2 Keras背後的原理
2.4 PyTorch簡介
2.5 Dopamine簡介
2.6 其他深度學習程序庫
2.6.1 Caffe
2.6.2 Theano
2.6.3 其他程序庫
2.7 小結
2.8 習題與答案
2.9 參考文獻
第3章 數據準備
3.數分類
3.1.1 克利夫蘭心髒病數據目標
3.1.2 二值化MINST數據集
3.2 分類數據與多個類別
3.2.1 將字符串標簽轉換成數字
3.2.2 將分類轉換成獨熱編碼
3.3 實值數據與單變量回歸
3.3.1 縮放到特定範圍的數值
3.3.2 標準化到零均值和單位方差
3.4 改變數據的分布
3.5 數據增強
3.5.1 尺度縮放
3.5.2 添加噪聲
3.5.3 旋轉
3.5.4 其他增強手段
3.6 數據降維
3.6.1 監督算法
3.6.2 無監督技術
3.6.3 關於維度的數量
3.7 操縱數據的道德影響
3.8 小結
3.9 習題與答案
3.10 參考文獻
第4章 從數據中學習
4.1 學習的目的
4.1.1 分類問題
4.1.2 回歸問題
4.2 度量成功與錯誤
4.2.分類
4.2.分類
4.2.3 回歸分析矩陣
4.3 識別過擬合和泛化
4.3.1 擁有測試數據的情形
4.3.2 沒有測試數據的情形
4.4 機器學習背後的藝術
4.5 訓練深度學習算法的倫理意蘊
4.5.1 使用適當的模型性能度量指標
4.5.2 小心對待並驗證異常值
4.5.3 抽樣不足組的權重類
4.6 小結
4.7 習題與答案
4.8 參考文獻
第5章 訓練單
5.1 感知機模型
5.1.1 概念的可視化
5.1.2 張量運算
5.2 感知機學習算法
5.3 處理線性不可分數據的感知機
5.3.1 線性可分數據的收斂
5.3.2 線性不可分數據的收斂
5.4 小結
5.5 習題與答案
5.6 參考文獻
第6章 訓練多
6.1 MLP模型
6.2 最小化誤差
6.2.1 步驟1：初始化
6.2.2 步驟2：前向傳播
6.2.3 步驟3：計算損失
6.2.4 步驟4：反向傳播
6.3 尋找很好超參數
6.4 小結
6.5 習題與答案
6.6 參考文獻
第二部分 無監督深度學習
第7章 自編碼器
7.1 無監督學習簡介
7.2 編碼層與解碼層
7.2.1 編碼層
7.2.2 解碼層
7.2.3 損失函數
7.2.4 學習與測試
7.3 數據降維與可視化應用
7.3.1 MNIST數據的準備
7.3.2 MNIST的自編碼器
7.3.3 模型訓練與可視化
7.4 無監督學習的倫理意蘊
7.5 小結
7.6 習題與答案
7.7 參考文獻
第8章 深度自編碼器
8.1 深度信念網絡簡介
8.2 建立深度自編碼器
8.2.1 批歸一化
8.2.2 隨機失活
8.3 探索深度自編碼器的潛在空間
8.3.1 CIFAR-10
8.3.2 MNIST
8.4 小結
8.5 習題與答案
8.6 參考文獻
第9章 變分自編碼器
9.1 深度生成模型簡介
9.2 研究變分自編碼器模型
9.2.1 回顧心髒病數據集
9.2.2 重參數化技巧與采樣
9.2.3 學習編碼器中的後驗概率分布參數
9.2.4 解碼器建模
9.2.5 最小化重構損失
9.2.6 訓練VAE模型
9.2.7 使用VAE生成數據
9.3 深度和淺層VAE在MNIST上的性能比較
9.3.1 淺層VAE模型
9.3.2 深度VAE模型
9.3.3 VAE模型去噪
9.4 生成模型的倫理意蘊
9.5 小結
9.6 習題與答案
9.7 參考文獻
第10章 受限玻爾茲曼機
10.1 RBM模型簡介
10.1.1 BM模型
10.1.2 RBM模型
10.1.3 伯努利RBM
10.2 使用RBM學習數據表示
10.3 比較RBM和AE
10.4 小結
10.5 習題與答案
10.6 參考文獻
第三部分 監督深度學習
第11章 深度與廣度神經網絡
11.1 廣度神經網絡
11.1.1 回顧深度學習
11.1.2 網絡層的廣度
11.1.3 CIFAR-10數據集
11.1.4 新的訓練工具
11.1.5 結果
11.2 密集深度神經網絡
11.2.1 構建並訓練模型
11.2.2 結果
11.3 稀疏深度神經網絡
11.3.1 構建並訓練稀疏網絡
11.3.2 結果
11.4 超參數調優
11.4.1 程序庫與參數
11.4.2 實現與結果
11.5 小結
11.6 習題與答案
11.7 參考文獻
第12章 卷積神經網絡
12.1 卷積神經網絡簡介
12.2 多維卷積
12.2.1 一維卷積
12.2.2 二維卷積
12.2.3 n維卷積
12.3 卷積層
12.3.1 Conv2D
12.3.2 layer+activation組合
12.4 池化策略
12.5 面向CIFAR-10的卷積神經網絡
12.5.1 實現
12.5.2 結果
12.5.3 濾波器的可視化
12.6 小結
12.7 習題與答案
12.8 參考文獻
第13章 循環神經網絡
13.1 循環神經網絡簡介
13.1.1 簡單RNN模型
13.1.2 嵌入層
13.1.3 詞嵌入與IMDb上的RNN
13.2 長短時記憶模型
13.3 序列到向量的模型
13.3.1 無監督模型
13.3.2 結果
13.4 向量到序列的模型
13.4.1 雙向LSTM
13.4.2 實現與結果
13.5 序列到序列的模型
13.6 倫理意蘊
13.7 小結
13.8 習題與答案
13.9 參考文獻
第14章 生成對抗網絡
14.1 對抗學習簡介
14.1.1 基於對抗的學習
14.1.2 GAN模型
14.2 訓練GAN模型
14.2.1 基於MLP的GAN模型
14.2.2 卷積GAN模型
14.3 比較GAN和VAE
14.4 GAN的倫理意蘊
14.5 小結
14.6 習題與答案
14.7 參考文獻
第15章 深度學習的未來
15.1 尋找深度學習的前沿話題
15.1.1 深度強化學習
15.1.2 自監督學習
15.1.3 繫統2算法
15.2 從Packt獲取更多資源
15.2.1 強化學習
15.2.2 自監督學習
15.3 小結
15.4 參考文獻

本書分為三部分。第一部分將幫助你快速理解從數據中學習、深度學習基本架構、如何準備數據，以及深度學習中經常使用的基本概念。第二部分將重點介紹無監督學習算法。從自編碼器開始，然後轉向層數更深、規模更大的神經網絡模型。第三部分介紹監督學習算法，你將掌握基本和高級深度學習模型的實現方法，並能夠將這些模型用於分類、回歸以及從潛在空間生成數據等應用場合。