DeepLearning
v1.1.1
" Deep Learning " adalah satu-satunya buku komprehensif di bidang pembelajaran mendalam. Nama lengkapnya juga disebut Deep Learning AI Bible (Deep Learning) . Buku ini diedit oleh tiga pakar terkenal dunia, Ian Goodfellow, Yoshua Bengio, dan Aaron Courville.Buku ini mencakup latar belakang pengetahuan matematika dan konsep terkait, termasuk konten terkait dalam aljabar linier, teori probabilitas, teori informasi, optimasi numerik, dan pembelajaran mesin. Pada saat yang sama, ia juga memperkenalkan teknologi pembelajaran mendalam yang digunakan oleh para praktisi di industri, termasuk jaringan umpan maju yang dalam, regularisasi, algoritme pengoptimalan, jaringan konvolusional, pemodelan urutan dan metode praktis, serta menyelidiki topik-topik seperti pemrosesan bahasa alami, Aplikasi dalam pengenalan suara. , visi komputer, sistem rekomendasi online, bioinformatika, dan video game. Terakhir, buku pembelajaran mendalam juga memberikan beberapa arahan penelitian, yang mencakup topik-topik teoretis termasuk model faktor linier, autoencoder, pembelajaran representasi, model probabilistik terstruktur, metode Monte Carlo, fungsi partisi, inferensi perkiraan, dan model generatif mendalam, cocok untuk digunakan oleh perguruan tinggi mahasiswa atau mahasiswa pascasarjana di jurusan terkait.
Anda dapat mendownload pdf versi Cina dan pdf versi bahasa Inggris dari "Deep Learning" dan membacanya secara langsung.
Untuk pengerjaan project ini bisa langsung download Deep Learning_Principles and Code Implementation.pdf (buku akan terus diupdate nanti)
"Pembelajaran Mendalam" dapat dikatakan sebagai panduan pengantar pembelajaran mendalam dan kecerdasan buatan. Banyak penggemar algoritme, kursus pelatihan pembelajaran mesin, dan wawancara dengan perusahaan Internet merujuk pada buku ini. Namun buku ini tidak jelas, dan implementasi kode resmi tidak disediakan, sehingga beberapa bagian sulit untuk dipahami. Proyek ini mendeskripsikan ulang konsep-konsep dalam buku berdasarkan derivasi matematika dan prinsip-prinsip pembangkitan , dan menggunakan Python (terutama perpustakaan numpy) untuk mereproduksi konten buku ( implementasi kode tingkat sumber. Proses derivasi dan implementasi kode ditempatkan di pdf file di area download , bagian penting dari kode implementasi juga ditempatkan di folder kode ).
Namun, level saya terbatas, namun saya sangat berharap karya ini dapat membantu lebih banyak orang mempelajari algoritme pembelajaran mendalam. Saya membutuhkan saran dan bantuan semua orang. Jika Anda menemukan kesalahan atau penjelasan yang tidak jelas saat membaca, saya harap Anda dapat merangkum saran Anda dan mengirimkannya ke Edisi. Jika Anda juga ingin bergabung dalam pekerjaan ini atau memiliki pertanyaan lain, Anda dapat menghubungi email saya. Jika Anda menggunakan buku ini dalam karya atau blog Anda, harap sertakan tautan kutipan.
Selama proses penulisan, saya merujuk pada banyak karya online yang bagus, dan semua sumber referensi disimpan dalam file reference.txt .
Pekerjaan ini adalah menulis buku Deep Learning_Principles and Code Implementation.pdf. Seperti yang Anda lihat di file pdf, setiap konsep yang terlibat dalam "Deep Learning" akan diberikan penjelasan rinci, derivasi pada level prinsip, dan implementasi dalam kode. Implementasi kode tidak akan memanggil kerangka pembelajaran mendalam apa pun seperti Tensorflow, PyTorch, MXNet, atau bahkan sklearn (bagian yang menggunakan sklearn di PDF digunakan untuk memverifikasi bahwa kode tersebut benar. Semua kode diimplementasikan dari tingkat prinsip (Python perpustakaan dasar NumPy ), dan memiliki komentar terperinci, yang konsisten dengan area deskripsi prinsip di atas area kode. Anda dapat memahaminya dengan menggabungkan prinsip dan kode.
Alasan melakukan pekerjaan ini adalah karena kecintaan saya sendiri, namun untuk menyelesaikan pekerjaan ini saya perlu menginvestasikan banyak waktu dan tenaga, dan biasanya saya menulis sampai jam dua atau tiga pagi. Derivasi, pengkodean, dan gambar semuanya dipoles perlahan, dan saya akan memastikan kualitas pekerjaan ini. Pekerjaan ini akan diperbarui setiap saat, dan bab-bab yang telah diunggah akan terus dilengkapi dengan konten. Jika Anda menemukan konsep atau kesalahan apa pun yang ingin Anda jelaskan selama proses membaca, kirimkan saya email untuk memberi tahu saya.
Terima kasih banyak atas pengakuan dan promosi Anda. Terakhir, silahkan tunggu update berikutnya.
Nama saya Zhu Mingchao, email saya: [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。 Setiap pembaruan selanjutnya akan ditempatkan di file update.txt .
Selain poin konseptual dalam buku "Pembelajaran Mendalam", proyek ini juga menambahkan beberapa pengetahuan tambahan pada setiap bab, seperti hutan acak di bagian pembelajaran terpadu Bab 7, analisis prinsip dan implementasi kode Adaboost, GBDT, dan XGBoost, atau bab kesepuluh. Bab 2 menjelaskan beberapa metode arus utama . Daftar isi bab besar dan tautan unduh file pdf dapat ditemukan pada tabel di bawah. Untuk daftar isi sebenarnya dalam file pdf tertentu, silakan merujuk ke contents.txt . Anda dapat mengunduh bab-bab terkait di tautan pdf di bawah, atau Anda dapat mengunduh semua file langsung di antarmuka rilis.
| ayat-ayat Cina | bab bahasa Inggris | unduh (Termasuk derivasi dan implementasi kode) |
|---|---|---|
| Bab 1 Kata Pengantar | 1 Pendahuluan | |
| Bab 2 Aljabar Linier | 2 Aljabar Linier | |
| Bab 3 Probabilitas dan Teori Informasi | 3 Probabilitas dan Teori Informasi | |
| Bab 4 Perhitungan Numerik | 4 Perhitungan Numerik | |
| Bab 5 Dasar-dasar Pembelajaran Mesin | 5 Dasar-dasar Pembelajaran Mesin | |
| Bab 6 Jaringan Umpan Maju Dalam | 6 Jaringan Umpan Maju Dalam | |
| Bab 7 Regularisasi dalam Pembelajaran Mendalam | 7 Regularisasi untuk Pembelajaran Mendalam | |
| Bab 8 Optimasi dalam Model Dalam | 8 Optimasi untuk Pelatihan Model Mendalam | |
| Bab 9 Jaringan Konvolusional | 9 Jaringan Konvolusional | |
| Bab 10 Pemodelan Urutan: Jaringan Berulang dan Rekursif | 10 Pemodelan Urutan: Jaring Berulang dan Rekursif | |
| Bab 11 Metodologi Praktis | 11 Metodologi Praktis | |
| Bab 12 Aplikasi | 12 Aplikasi | |
| Bab 13 Model Faktor Linier | 13 Model Faktor Linier | |
| Bab 14 Autoencoder | 14 Autoencoder | |
| Bab 15 Mengekspresikan Pembelajaran | 15 Pembelajaran Representasi | |
| Bab 16 Model Probabilistik Terstruktur dalam Pembelajaran Mendalam | 16 Model Probabilistik Terstruktur untuk Pembelajaran Mendalam | |
| Bab 17 Metode Monte Carlo | 17 Metode Monte Carlo | |
| Bab 18 Menghadapi Fungsi Partisi | 18 Menghadapi Fungsi Partisi | |
| Bab 19 Perkiraan Inferensi | 19 Perkiraan Inferensi | |
| Bab 20 Model Generatif Mendalam | 20 Model Generatif Mendalam |
Bab yang belum diunggah akan diunggah di masa mendatang.
Terima kasih atas pengakuan dan promosi proyek ini.
Menulis proyek ini membutuhkan waktu dan usaha. Jika proyek ini bermanfaat bagi Anda, Anda dapat mentraktir penulisnya dengan suguhan es krim:
