DeepLearning
v1.1.1
" Deep Learning " es el único libro completo en el campo del aprendizaje profundo. Su nombre completo también se llama Deep Learning AI Bible (Deep Learning) . Está editado por tres expertos de renombre mundial, Ian Goodfellow, Yoshua Bengio y Aaron. Courville El libro cubre conocimientos previos de matemáticas y conceptos relacionados, incluido contenido relacionado en álgebra lineal, teoría de la probabilidad, teoría de la información, optimización numérica y aprendizaje automático. Al mismo tiempo, también presenta tecnologías de aprendizaje profundo utilizadas por los profesionales de la industria, incluidas redes de retroalimentación profunda, regularización, algoritmos de optimización, redes convolucionales, modelado de secuencias y métodos prácticos, e investiga temas como el procesamiento del lenguaje natural y aplicaciones en reconocimiento de voz. , visión por computadora, sistemas de recomendación en línea, bioinformática y videojuegos. Finalmente, el libro de aprendizaje profundo también proporciona algunas direcciones de investigación, que cubren temas teóricos que incluyen modelos de factores lineales, codificadores automáticos, aprendizaje de representación, modelos probabilísticos estructurados, métodos de Monte Carlo, funciones de partición, inferencia aproximada y modelos generativos profundos, adecuados para uso universitario. estudiantes o estudiantes de posgrado en carreras afines.
Puede descargar la versión en chino en pdf y la versión en inglés en pdf de "Deep Learning" y leerlas directamente.
Para el trabajo de este proyecto, puede descargar directamente Deep Learning_Principles and Code Implementation.pdf (el libro se actualizará continuamente más adelante)
Se puede decir que el "aprendizaje profundo" es una guía introductoria al aprendizaje profundo y la inteligencia artificial. Muchos entusiastas de los algoritmos, cursos de capacitación en aprendizaje automático y entrevistas con empresas de Internet hacen referencia a este libro. Sin embargo, este libro es oscuro y no se proporciona la implementación del código oficial, por lo que algunas partes son difíciles de entender. Este proyecto redescribe los conceptos del libro basándose en principios de generación y derivación matemática , y utiliza Python (principalmente la biblioteca numpy) para reproducir el contenido del libro ( implementación del código de nivel fuente. El proceso de derivación y la implementación del código se colocan en el pdf). archivo en el área de descarga , la parte importante del código de implementación también se coloca en la carpeta de códigos ).
Sin embargo, mi nivel es limitado, pero espero sinceramente que este trabajo pueda ayudar a más personas a aprender algoritmos de aprendizaje profundo. Necesito el consejo y la ayuda de todos. Si encuentra errores o explicaciones poco claras mientras lee, espero que pueda resumir sus sugerencias y enviarlas en Problemas. Si tú también quieres sumarte a este trabajo o tienes otras dudas, puedes contactar con mi correo electrónico. Si utiliza este libro en su trabajo o blog, incluya un enlace de cita.
Durante el proceso de escritura, mencioné muchos trabajos excelentes en línea y todos los recursos de referencia se guardan en el archivo reference.txt .
Este trabajo consiste en escribir este libro Principios de aprendizaje profundo e implementación de código.pdf. Como puede ver en el archivo pdf, a cada concepto involucrado en el "Aprendizaje profundo" se le dará una descripción detallada, derivación a nivel de principio e implementación en código. La implementación del código no llamará a ningún marco de aprendizaje profundo como Tensorflow, PyTorch, MXNet o incluso sklearn (la parte que usa sklearn en el PDF se usa para verificar que el código sea correcto. Todos los códigos se implementan desde el nivel principal (de Python). biblioteca básica NumPy), y tiene comentarios detallados, que son consistentes con el área de descripción de principios sobre el área de código. Puede comprenderlo combinando los principios y el código.
El motivo de este trabajo es mi propio amor, pero para completar este trabajo necesito invertir mucho tiempo y energía, y suelo escribir hasta las dos o tres de la mañana. La derivación, la codificación y el dibujo se pulen lentamente y garantizaré la calidad de este trabajo. Este trabajo se actualizará todo el tiempo y los capítulos que se hayan subido se seguirán complementando con contenido. Si encuentra algún concepto o error que desee describir durante el proceso de lectura, envíeme un correo electrónico para hacérmelo saber.
Muchas gracias por su reconocimiento y promoción. Finalmente, espere la próxima actualización.
Mi nombre es Zhu Mingchao, mi correo electrónico es: [email protected]
2020/3/:
1. 修改第五章决策树部分，补充 ID3 和 CART 的原理，代码实现以 CART 为主。
2. 第七章添加 L1 和 L2 正则化最优解的推导 (即 L1稀疏解的原理)。
3. 第七章添加集成学习方法的推导与代码实现，包括 Bagging (随机森林)、 Boosting ( Adaboost 、 GBDT 、 XGBoost )。
4. 第八章添加牛顿法与拟牛顿法 ( DFP 、 BFGS 、 L - BFGS ) 的推导。
5. 第十一章节添加贝叶斯线性回归、高斯过程回归 ( GPR ) 与贝叶斯优化的推导与代码实现。 Cada actualización posterior se colocará en el archivo update.txt .
Además de los puntos conceptuales del libro "Aprendizaje profundo", este proyecto también agrega algunos conocimientos complementarios a cada capítulo, como el bosque aleatorio en la parte de aprendizaje integrado del Capítulo 7, el análisis de principios y la implementación del código de Adaboost, GBDT, y XGBoost, o el décimo capítulo. El Capítulo 2 describe algunos métodos convencionales actuales . La tabla de contenido del capítulo grande y el enlace de descarga del archivo pdf se pueden encontrar en la siguiente tabla. Para ver la tabla de contenido real en el archivo pdf específico, consulte contents.txt . Puede descargar los capítulos correspondientes en el enlace pdf a continuación, o puede descargar todos los archivos directamente en la interfaz de lanzamientos.
| versos chinos | capitulo en ingles | descargar (Incluyendo derivación e implementación de código) |
|---|---|---|
| Capítulo 1 Prefacio | 1 Introducción | |
| Capítulo 2 Álgebra lineal | 2 Álgebra lineal | |
| Capítulo 3 Probabilidad y teoría de la información | 3 Teoría de la probabilidad y la información | |
| Capítulo 4 Cálculo numérico | 4 Computación numérica | |
| Capítulo 5 Conceptos básicos del aprendizaje automático | 5 conceptos básicos del aprendizaje automático | |
| Capítulo 6 Red de retroalimentación profunda | 6 redes de retroalimentación profunda | |
| Capítulo 7 Regularización en el aprendizaje profundo | 7 Regularización para el aprendizaje profundo | |
| Capítulo 8 Optimización en modelos profundos | 8 Optimización para entrenar modelos profundos | |
| Capítulo 9 Red convolucional | 9 redes convolucionales | |
| Capítulo 10 Modelado de secuencias: redes recurrentes y recursivas | 10 Modelado de secuencias: redes recurrentes y recursivas | |
| Capítulo 11 Metodología práctica | 11 Metodología Práctica | |
| Capítulo 12 Aplicación | 12 aplicaciones | |
| Capítulo 13 Modelo de factor lineal | 13 modelos de factores lineales | |
| Capítulo 14 Codificadores automáticos | 14 codificadores automáticos | |
| Capítulo 15 Expresando el aprendizaje | 15 Aprendizaje de representación | |
| Capítulo 16 Modelo probabilístico estructurado en aprendizaje profundo | 16 modelos probabilísticos estructurados para el aprendizaje profundo | |
| Capítulo 17 Método Montecarlo | 17 métodos de Montecarlo | |
| Capítulo 18 Enfrentando la función de partición | 18 Enfrentando la función de partición | |
| Capítulo 19 Inferencia aproximada | 19 Inferencia aproximada | |
| Capítulo 20 Modelos generativos profundos | 20 modelos generativos profundos |
Los capítulos que aún no se han subido se subirán en el futuro.
Gracias por el reconocimiento y promoción de este proyecto.
Escribir este proyecto requirió tiempo y esfuerzo. Si este proyecto te resulta útil, puedes invitar al autor a un helado:
