DeepLearning
v1.1.1
" Deep Learning " est le seul livre complet dans le domaine de l'apprentissage profond. Son nom complet est également appelé Deep Learning AI Bible (Deep Learning) . Il est édité par trois experts de renommée mondiale, Ian Goodfellow, Yoshua Bengio et Aaron. Courville. Le livre couvre les connaissances de base en mathématiques et concepts connexes, y compris le contenu connexe en algèbre linéaire, théorie des probabilités, théorie de l'information, optimisation numérique et apprentissage automatique. Dans le même temps, il présente également les technologies d'apprentissage profond utilisées par les praticiens de l'industrie, notamment les réseaux à réaction profonde, la régularisation, les algorithmes d'optimisation, les réseaux convolutionnels, la modélisation de séquences et les méthodes pratiques, et étudie des sujets tels que le traitement du langage naturel, les applications en reconnaissance vocale. , vision par ordinateur, systèmes de recommandation en ligne, bioinformatique et jeux vidéo. Enfin, le livre sur l'apprentissage profond fournit également des orientations de recherche, couvrant des sujets théoriques tels que les modèles à facteurs linéaires, les auto-encodeurs, l'apprentissage des représentations, les modèles probabilistes structurés, les méthodes de Monte Carlo, les fonctions de partition, l'inférence approximative et les modèles génératifs profonds, adaptés à une utilisation par l'université. étudiants ou étudiants diplômés dans des disciplines connexes.
Vous pouvez télécharger la version pdf chinoise et la version anglaise pdf de "Deep Learning" et les lire directement.
Pour le travail de ce projet, vous pouvez télécharger directement Deep Learning_Principles and Code Implementation.pdf (le livre sera continuellement mis à jour ultérieurement)
"Deep Learning" peut être considéré comme un guide d'introduction à l'apprentissage profond et à l'intelligence artificielle. De nombreux passionnés d'algorithmes, de formations en apprentissage automatique et d'entretiens avec des sociétés Internet font référence à ce livre. Cependant, ce livre est obscur et l'implémentation officielle du code n'est pas fournie, certaines parties sont donc difficiles à comprendre. Ce projet re-décrit les concepts du livre sur la base des principes mathématiques de dérivation et de génération , et utilise Python (principalement la bibliothèque numpy) pour reproduire le contenu du livre ( implémentation du code au niveau source. Le processus de dérivation et l'implémentation du code sont placés dans le pdf fichier dans la zone de téléchargement , la partie importante du code d'implémentation est également placée dans le dossier code ).
Cependant, mon niveau est limité, mais j'espère sincèrement que ce travail pourra aider davantage de personnes à apprendre les algorithmes d'apprentissage profond. J'ai besoin des conseils et de l'aide de tous. Si vous rencontrez des erreurs ou des explications peu claires lors de la lecture, j'espère que vous pourrez résumer vos suggestions et les soumettre dans Issues. Si vous souhaitez également participer à ce travail ou si vous avez d'autres questions, vous pouvez contacter mon email. Si vous utilisez ce livre dans votre travail ou votre blog, veuillez inclure un lien de citation.
Au cours du processus de rédaction, j'ai fait référence à de nombreux excellents ouvrages en ligne et toutes les ressources de référence sont enregistrées dans le fichier reference.txt .
Ce travail consiste à écrire ce livre Deep Learning_Principles and Code Implementation.pdf. Comme vous pouvez le voir dans le fichier pdf, chaque concept impliqué dans le « Deep Learning » recevra une description détaillée, une dérivation au niveau principe et une implémentation dans le code. L'implémentation du code n'appellera aucun framework d'apprentissage profond tel que Tensorflow, PyTorch, MXNet ou même sklearn (la partie utilisant sklearn dans le PDF est utilisée pour vérifier que le code est correct. Tous les codes sont implémentés à partir du niveau principal (celui de Python). bibliothèque de base NumPy ), et ont des commentaires détaillés, qui sont cohérents avec la zone de description du principe au-dessus de la zone de code. Vous pouvez le comprendre en combinant les principes et le code.
La raison de ce travail est mon propre amour, mais pour terminer ce travail, je dois investir beaucoup de temps et d'énergie, et j'écris généralement jusqu'à deux ou trois heures du matin. La dérivation, le codage et le dessin sont tous peaufinés lentement, et je veillerai à la qualité de ce travail. Ce travail sera mis à jour en permanence et les chapitres téléchargés continueront d'être complétés par du contenu. Si vous rencontrez des concepts ou des erreurs que vous souhaitez décrire au cours du processus de lecture, veuillez m'envoyer un e-mail pour m'en informer.
Merci beaucoup pour votre reconnaissance et votre promotion. Enfin, veuillez attendre la prochaine mise à jour.
Je m'appelle Zhu Mingchao, mon email est : [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。 Chaque mise à jour ultérieure sera placée dans le fichier update.txt .
En plus des points conceptuels du livre "Deep Learning", ce projet ajoute également des connaissances supplémentaires à chaque chapitre, comme la forêt aléatoire dans la partie apprentissage intégré du chapitre 7, l'analyse des principes et l'implémentation du code d'Adaboost, GBDT, et XGBoost, ou le dixième chapitre, décrit certaines méthodes courantes actuelles . La table des matières du grand chapitre et le lien de téléchargement du fichier PDF se trouvent dans le tableau ci-dessous. Pour la table des matières réelle dans le fichier PDF spécifique, veuillez vous référer à contents.txt . Vous pouvez télécharger les chapitres correspondants dans le lien pdf ci-dessous, ou vous pouvez télécharger tous les fichiers directement dans l'interface des versions.
| Versets chinois | Chapitre anglais | télécharger (Y compris la dérivation et la mise en œuvre du code) |
|---|---|---|
| Chapitre 1 Préface | 1 Introduction | |
| Chapitre 2 Algèbre linéaire | 2 Algèbre linéaire | |
| Chapitre 3 Théorie des probabilités et de l'information | 3 Théorie des probabilités et de l'information | |
| Chapitre 4 Calcul numérique | 4 Calcul numérique | |
| Chapitre 5 Bases de l'apprentissage automatique | 5 bases de l'apprentissage automatique | |
| Chapitre 6 Réseau Deep Feedforward | 6 réseaux à rétroaction profonde | |
| Chapitre 7 Régularisation dans le Deep Learning | 7 Régularisation pour le Deep Learning | |
| Chapitre 8 Optimisation dans les modèles profonds | 8 Optimisation pour la formation de modèles profonds | |
| Chapitre 9 Réseau convolutif | 9 réseaux convolutifs | |
| Chapitre 10 Modélisation de séquences : réseaux récurrents et récursifs | 10 Modélisation de séquences : réseaux récurrents et récursifs | |
| Chapitre 11 Méthodologie pratique | 11 Méthodologie pratique | |
| Chapitre 12 Application | 12 candidatures | |
| Chapitre 13 Modèle à facteurs linéaires | 13 modèles de facteurs linéaires | |
| Chapitre 14 Encodeurs automatiques | 14 encodeurs automatiques | |
| Chapitre 15 Exprimer l'apprentissage | 15 Apprentissage des représentations | |
| Chapitre 16 Modèle probabiliste structuré dans le Deep Learning | 16 modèles probabilistes structurés pour l'apprentissage profond | |
| Chapitre 17 Méthode de Monte Carlo | 17 méthodes de Monte Carlo | |
| Chapitre 18 Faire face à la fonction de partition | 18 Faire face à la fonction de partition | |
| Chapitre 19 Inférence approximative | 19 Inférence approximative | |
| Chapitre 20 Modèles génératifs profonds | 20 modèles génératifs profonds |
Les chapitres qui n'ont pas encore été téléchargés le seront à l'avenir.
Merci pour la reconnaissance et la promotion de ce projet.
L'écriture de ce projet a demandé du temps et des efforts. Si ce projet vous est utile, vous pouvez offrir à l'auteur une glace :
