ディープラーニング

「ディープラーニング」は、深層学習分野における唯一の包括的な書籍であり、正式名称はディープラーニングAIバイブル（ディープラーニング）とも呼ばれ、3人の世界的に著名な専門家、イアン・グッドフェロー、ヨシュア・ベンジオ、アーロンによって編集されています。この本では、線形代数、確率論、情報理論、数値最適化、機械学習などの数学と関連概念の背景知識をカバーしています。同時に、深層フィードフォワードネットワーク、正則化、最適化アルゴリズム、畳み込みネットワーク、シーケンスモデリング、実用的な手法など、業界の実務者が使用する深層学習テクノロジも紹介し、自然言語処理、音声認識におけるアプリケーションなどのトピックを調査します。、コンピュータービジョン、オンラインレコメンデーションシステム、バイオインフォマティクス、ビデオゲーム。最後に、深層学習の本は、線形因子モデル、オートエンコーダー、表現学習、構造化確率モデル、モンテカルロ法、分配関数、近似推論、深層生成モデルなどの理論的トピックをカバーする研究の方向性も提供しており、大学での使用に適しています。関連専攻の学生または大学院生。

ディープラーニングの表紙

「ディープラーニング」の中国語版pdfと英語版pdfをダウンロードして直接読むことができます。

このプロジェクトの作業については、Deep Learning_Principles and Code Implementation.pdf を直接ダウンロードできます (この本は後で継続的に更新されます)。

「ディープラーニング」は、多くのアルゴリズム愛好家、機械学習トレーニングコース、インターネット企業のインタビューで参照されている書籍であり、ディープラーニングと人工知能の入門書と言えます。ただし、この本は難解であり、公式のコード実装が提供されていないため、理解するのが難しい部分があります。このプロジェクトは、数学的な導出と生成原理に基づいて本の概念を再説明し、 Python (主に numpy ライブラリ) を使用して本の内容 (ソースレベルのコード実装) を再現します。導出プロセスとコード実装は PDF に配置されます。ファイルはダウンロードエリアにありますが、実装コードの重要な部分もコードフォルダーに配置されます。

私のレベルは限られていますが、この作品がより多くの人に深層学習アルゴリズムを学ぶ手助けになれば幸いです。みんなのアドバイスと助けが必要です。読んでいるときにエラーや不明瞭な説明に遭遇した場合は、提案を要約して Issues に送信していただければ幸いです。この仕事に参加したい場合、またはその他の質問がある場合は、私のメールアドレスにご連絡ください。この本を仕事やブログで使用する場合は、引用リンクを含めてください。

執筆プロセス中に、多くの優れたオンライン作品を参照しました。すべての参照リソースは、 reference.txtファイルに保存されています。

メッセージ

この仕事は、この本 Deep Learning_Principles and Code Implementation.pdf を書くことです。 PDF ファイルにあるように、「ディープラーニング」に含まれるすべての概念について、詳細な説明、原理レベルでの導出、コードでの実装が説明されています。コードの実装では、Tensorflow、PyTorch、MXNet、さらには sklearn などの深層学習フレームワークは呼び出されません (PDF 内の sklearn を使用する部分は、コードが正しいことを確認するために使用されます)。すべてのコードは原理レベル (Python の) から実装されます。基本ライブラリ NumPy ) に詳細なコメントがあり、コード領域の上の原理説明領域と一致しています。原理とコードを組み合わせることで理解できます。

この仕事をする理由は私自身の愛からですが、この仕事をやり遂げるには多大な時間とエネルギーを投資する必要があり、いつも午前2時か3時まで執筆しています。派生、コーディング、描画のすべてをゆっくりと磨き上げ、この作品の品質を保証します。このジョブは常に更新され、アップロードされた章には引き続きコンテンツが追加されます。読んでいる途中で説明したい概念やエラーに遭遇した場合は、電子メールでお知らせください。

ご評価とご昇進を賜りまして、誠にありがとうございます。最後に、次回の更新をお待ちください。

私の名前はZhu Mingchao、電子メールは[email protected]です。

アップデート手順

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。

後続の各更新は、 update.txtファイルに配置されます。

章のディレクトリとファイルのダウンロード

このプロジェクトでは、「ディープラーニング」本の概念ポイントに加えて、第 7 章の統合学習部分のランダムフォレスト、Adaboost、GBDT、および XGBoost、つまり第 2 章では、現在の主流の方法について説明します。大きな章の目次と PDF ファイルのダウンロードリンクは、下の表にあります。特定の PDF ファイルの実際の目次については、 contents.txtを参照してください。以下の PDF リンクから対応する章をダウンロードすることも、リリースインターフェイスですべてのファイルを直接ダウンロードすることもできます。

漢詩	英語の章	ダウンロード (派生とコード実装を含む)
第 1 章はじめに	1 はじめに
第 2 章線形代数	2 線形代数	pdf
第 3 章確率と情報理論	3 確率と情報理論	pdf
第4章数値計算	4 数値計算	pdf
第5章機械学習の基礎	5 機械学習の基礎	pdf
第6章ディープフィードフォワードネットワーク	6つのディープフィードフォワードネットワーク	pdf
第 7 章深層学習における正則化	7 深層学習のための正則化	pdf
第 8 章ディープモデルでの最適化	8 ディープモデルのトレーニングのための最適化	pdf
第9章畳み込みネットワーク	9 畳み込みネットワーク	pdf
第 10 章シーケンスモデリング: 再帰的ネットワークと再帰的ネットワーク	10 シーケンスモデリング: リカレントネットと再帰ネット
第11章実践的な方法論	11 実践的な方法論	pdf
第12章申請	12 アプリケーション
第 13 章線形因子モデル	13 線形因子モデル
第 14 章オートエンコーダ	14 個のオートエンコーダー
第15章学びを表現する	15 表現学習
第16章深層学習における構造化確率モデル	深層学習のための 16 の構造化確率モデル
第17章モンテカルロ法	17 のモンテカルロ法
第 18 章パーティション機能との対峙	18 パーティション機能との対峙
第19章近似推論	19 近似推論
第 20 章深い生成モデル	20 の深い生成モデル