深度学习之美：AI时代的数据处理与最佳实践 PDF 原书完整版

深度学习之美：AI时代的数据处理与最佳实践 电子书封面

读者评价

写作风格确实很不错，通俗易懂，点赞！ 此外，作者的写作态度是严谨的（我说的是很用心呢），有的章节读起来还挺有趣。 这是一本有料，有趣，有情怀的深度学习技术图书。
作者的技术水平扛扛的，而且时不时引用哲学和文学著作，也比较通俗易懂，适合反复查阅。不过，价格太贵了。作为教材的话，数学推导证明又少了点。
算是中文书籍里面有关深度学习科普的高水平之作了。
比之某些在知乎和豆瓣上被吹的连小学生都可以看懂的科普书籍，这本书才算是真正的典范，将深度学习的各种方面都提了一遍，但是不过分深入，还配以代码，以及有作者自己的解释，实属不易。
美中不足的一点是有些地方的口水话还是太多，而且图片如果换做是彩色的兴许对初学者吸引力更大

内容介绍

深度学习是人工智能的前沿技术。本书深入浅出地介绍了深度学习的相关理论和实践，全书共分16章，采用理论和实践双主线写作方式。

第1章给出深度学习的大图。第2章和第3章，讲解了机器学习的相关基础理论。第4章和第5章，讲解了Python基础和基于Python的机器学习实战。第6至10章，先后讲解了M-P模型、感知机、多层神经网络、BP神经网络等知识。第11章讲解了被广泛认可的深度学习框架TensorFlow。第12章和第13章详细讲解了卷积神经网络，并给出了相关的实战项目。第14章和第15章，分别讲解了循环递归网络和长短期记忆（LSTM）网络。第16章讲解了神经胶囊网络，并给出了神经胶囊网络设计的详细论述和实践案例分析。

目录

• 第１章 一入侯门“深”似海，深度学习深几许 ........... 1
• 1.1 深度学习的巨大影响 .....................................2
• 1.2 什么是学习 ..... 4
• 1.3 什么是机器学习 ........................................... 4
• 1.4 机器学习的4个象限 ......................................5
• 1.5 什么是深度学习 .......................................... 6
• 1.6 “恋爱”中的深度学习 .................................... 7
• 1.7 深度学习的方法论 .......................................9
• 1.8 有没有浅层学习 ..........................................13
• 1.9 本章小结 ....... 14
• 1.10 请你思考 ..... 14
• 参考资料 ................ 14
• 第2章 人工“碳”索意犹尽，智能“硅”来未可知 . 16
• 2.1 信数据者得永生吗 .....................................17
• 2.2 人工智能的“江湖定位”............................... 18
• 2.3 深度学习的归属 ........................................19
• 2.4 机器学习的形式化定义 ...............................21
• 2.5 为什么要用神经网络 ...................................24
• 2.6 人工神经网络的特点 .................................. 26
• 2.7 什么是通用近似定理 .................................. 27
• 2.8 本章小结 ....... 31
• 2.9 请你思考 ....... 31
• 参考资料 ................ 31
• 第3章 “机器学习”三重门，“中庸之道”趋若人 ... 33
• 3.1 监督学习 ....... 34
• 3.1.1 感性认知监督学习 ..................................34
• 3.1.2 监督学习的形式化描述 ........................... 35
• 3.1.3 k-近邻算法 ...........................................37
• 3.2 非监督学习 ... 39
• 3.2.1 感性认识非监督学习 .............................. 39
• 3.2.2 非监督学习的代表—K均值聚类 ........... 41
• 3.3 半监督学习 ... 45
• 3.4 从“中庸之道”看机器学习............................ 47
• 3.5 强化学习 ....... 49
• 3.6 本章小结 ....... 52
• 3.7 请你思考 ....... 53
• 参考资料 ................ 53
• 第4章 人生苦短对酒歌， 我用Python乐趣多 ........55
• 4.1 Python概要 ... 56
• 4.1.1 为什么要用Python ................................. 56
• 4.1.2 Python中常用的库 ..................................58
• 4.2 Python的版本之争 .....................................61
• 4.3 Python环境配置 ....................................... 65
• 4.3.1 Windows下的安装与配置 .........................65
• 4.3.2 Mac下的安装与配置 .................................72
• 4.4 Python编程基础 ....................................... 76
• 4.4.1 如何运行Python代码 ................................77
• 4.4.2 代码缩进 ................................................79
• 4.4.3 注释 ... 80
• 4.4.4 Python中的数据结构 ................................ 81
• 4.4.5 函数的设计 ............................................. 93
• 4.4.6 模块的导入与使用 .................................... 101
• 4.4.7 面向对象程序设计 .................................... 102
• 4.5 本章小结 ..... 112
• 4.6 请你思考 ..... 112
• 参考资料 .............. 113
• 第5章 机器学习终觉浅，Python带我来实践 ......... 114
• 5.1 线性回归 ..... 115
• 5.1.1 线性回归的概念 .......................................115
• 5.1.2 简易线性回归的Python实现详解 ........... 119
• 5.2 k-近邻算法 .. 139
• 5.2.1 k-近邻算法的三个要素 ............................. 140
• 5.2.2 k-近邻算法实战 .......................................143
• 5.2.3 使用scikit-learn实现k-近邻算法 ............ 155
• 5.3 本章小结 ..... 162
• 5.4 请你思考 ..... 162
• 参考资料 .............. 162
• 第6章 神经网络不胜语，M-P模型似可寻 ............. 164
• 6.1 M-P神经元模型是什么 ................................165
• 6.2 模型背后的那些人和事 .................................167
• 6.3 激活函数是怎样的一种存在............................175
• 6.4 什么是卷积函数 ..........................................176
• 6.5 本章小结 ..... 177
• 6.6 请你思考 ..... 178
• 参考资料 .............. 178
• 第7章 Hello World感知机，懂你我心才安息 ......... 179
• 7.1 网之初，感知机 ...........................................180
• 7.2 感知机名称的由来 ........................................180
• 7.3 感性认识“感知机” ........................................183
• 7.4 感知机是如何学习的 ......................................185
• 7.5 感知机训练法则 ............................................187
• 7.6 感知机的几何意义 .........................................190
• 7.7 基于Python的感知机实战 ..............................191
• 7.8 感知机的表征能力 .........................................196
• 7.9 本章小结 ..... 199
• 7.10 请你思考 ... 199
• 参考资料 .............. 199
• 第8章 损失函数减肥用，神经网络调权重 ............201
• 8.1 多层网络解决“异或”问题........................... 202
• 8.2 感性认识多层前馈神经网络........................ 205
• 8.3 是浅而“胖”好，还是深而“瘦”佳 ................. 209
• 8.4 分布式特征表达 ......................................... 210
• 8.5 丢弃学习与集成学习 ................................... 211
• 8.6 现实很丰满，理想很骨感.............................. 212
• 8.7 损失函数的定义 ......................................... 213
• 8.8 热力学定律与梯度弥散 ................................ 215
• 8.9 本章小结 ..... 216
• 8.10 请你思考 ... 216
• 参考资料 .............. 217
• 第9章 山重水复疑无路，最快下降问梯度 .............. 219
• 9.1 “鸟飞派”还飞不 ......................................... 220
• 9.2 1986年的那篇神作 .................................... 221
• 9.3 多层感知机网络遇到的大问题 ....................... 222
• 9.4 神经网络结构的设计 ................................... 225
• 9.5 再议损失函数 ............................................ 227
• 9.6 什么是梯度 . 229
• 9.7 什么是梯度递减 .......................................... 231
• 9.8 梯度递减的线性回归实战............................... 235
• 9.9 什么是随机梯度递减 .................................... 238
• 9.10 利用SGD解决线性回归实战 ........................ 240
• 9.11 本章小结 ... 247
• 9.12 请你思考 ... 248
• 参考资料 .............. 248
• 第10章 BP算法双向传，链式求导最缠绵 ............. 249
• 10.1 BP算法极简史 ........................................... 250
• 10.2 正向传播信息 ............................................ 251
• 10.3 求导中的链式法则 ...................................... 255
• 10.4 误差反向传播 ............................................ 264
• 10.4.1 基于随机梯度下降的BP算法 .............. 265
• 10.4.2 输出层神经元的权值训练 ..................... 267
• 10.4.3 隐含层神经元的权值训练 ..................... 270
• 10.4.4 BP算法的感性认知 ............................... 273
• 10.4.5 关于BP算法的补充说明 ...................... 278
• 10.5 BP算法实战详细解释 ................................ 280
• 10.5.1 初始化网络 .......................................... 280
• 10.5.2 信息前向传播 ....................................... 282
• 10.5.3 误差反向传播 ....................................... 285
• 10.5.4 训练网络（解决异或问题） ................. 288
• 10.5.5 利用BP算法预测小麦品种的分类 ...... 293
• 10.6 本章小结 ... 301
• 10.7 请你思考 ... 302
• 参考资料 .............. 304
• 第11章 一骑红尘江湖笑，TensorFlow谷歌造 ....... 305
• 11.1 TensorFlow概述 ..................................... 306
• 11.2 深度学习框架比较 ..................................... 309
• 11.2.1 Theano .............................................. 309