DeepLearning
v1.1.1
『 딥러닝 』은 딥러닝 분야의 유일한 종합서로, 정식 명칭은 딥러닝 AI 바이블(Deep Learning) 로도 불린다. 이 책은 세계적으로 유명한 전문가 3인, 이안 굿펠로우(Ian Goodfellow), 요슈아 벤지오(Yoshua Bengio), 아론(Aaron)이 집필했다. Courville은 선형 대수학, 확률 이론, 정보 이론, 수치 최적화 및 기계 학습 관련 내용을 포함하여 수학 및 관련 개념에 대한 배경 지식을 다루고 있습니다. 동시에 딥 피드포워드 네트워크, 정규화, 최적화 알고리즘, 콘볼루션 네트워크, 시퀀스 모델링 및 실무 방법 등 업계 실무자가 사용하는 딥러닝 기술을 소개하고 자연어 처리, 음성 인식의 응용 등의 주제를 조사합니다. , 컴퓨터 비전, 온라인 추천 시스템, 생물정보학, 비디오 게임 등이 있습니다. 마지막으로 딥 러닝 책에서는 선형 요인 모델, 오토인코더, 표현 학습, 구조화된 확률 모델, 몬테카를로 방법, 분할 함수, 근사 추론, 심층 생성 모델 등 이론적 주제를 다루는 몇 가지 연구 방향도 제공합니다. 관련 전공의 학생 또는 대학원생.
"딥러닝" 중국어 버전 pdf, 영어 버전 pdf를 다운로드하여 직접 읽어보실 수 있습니다.
본 프로젝트의 작업을 위해 Deep Learning_Principles 및 Code Implement.pdf를 직접 다운로드할 수 있습니다. (본 책은 추후 지속적으로 업데이트 예정)
『딥러닝』은 딥러닝과 인공지능 입문 안내서라고 할 수 있다. 많은 알고리즘 매니아, 머신러닝 교육 과정, 인터넷 기업 인터뷰 등이 이 책을 참고한다. 하지만 이 책은 내용이 모호하고, 공식적인 코드 구현이 제공되지 않아 이해하기 어려운 부분이 있다. 이 프로젝트는 수학적 파생 및 생성 원리를 기반으로 책의 개념을 다시 설명하고 Python (주로 numpy 라이브러리)을 사용하여 책 내용을 재현합니다( 소스 수준 코드 구현. 파생 프로세스 및 코드 구현은 pdf에 포함되어 있음) 파일을 다운로드 영역에 있는 경우 구현 코드의 중요한 부분도 코드 폴더 에 있습니다.
하지만 제 수준에는 한계가 있지만, 이 작업이 더 많은 사람들이 딥러닝 알고리즘을 배우는 데 도움이 되기를 진심으로 바랍니다. 모든 사람의 조언과 도움이 필요합니다. 읽으면서 오류나 설명이 불분명한 경우 제안사항을 요약하여 이슈에 제출해 주시기 바랍니다. 이 작업에 참여하고 싶거나 다른 질문이 있으면 내 이메일로 문의하세요. 이 책을 자신의 업무나 블로그에 사용하는 경우 인용 링크를 포함해 주세요.
집필 과정에서 온라인의 우수한 작품을 많이 참고했고, 모든 참고 자료는 reference.txt 파일에 저장되어 있습니다.
이번 작업은 Deep Learning_Principles and Code Implement.pdf라는 책을 집필하는 것입니다. PDF 파일에서 볼 수 있듯이, "딥러닝"에 관련된 모든 개념에 대한 자세한 설명과 원리 수준에서의 도출, 코드로 구현이 제공됩니다. 코드 구현은 Tensorflow, PyTorch, MXNet 또는 sklearn과 같은 딥 러닝 프레임워크를 호출하지 않습니다(PDF에서 sklearn을 사용하는 부분은 코드가 올바른지 확인하는 데 사용됩니다). 모든 코드는 원칙 수준(Python의 것)에서 구현됩니다. 기본 라이브러리 NumPy ), 코드 영역 위의 원리 설명 영역과 일치하는 자세한 주석이 있으므로 원리와 코드를 결합하여 이해할 수 있습니다.
이 일을 하는 이유는 내 자신의 사랑이지만, 이 일을 완수하려면 많은 시간과 에너지를 투자해야 하고, 보통 새벽 2~3시까지 글을 쓴다. 파생, 코딩, 작화까지 모두 천천히 다듬어지며, 본 작품의 퀄리티를 보장하겠습니다. 본 작업은 계속 업데이트 될 예정이며, 그동안 업로드된 챕터들은 계속해서 컨텐츠로 보완될 예정입니다. 읽는 과정에서 설명하고 싶은 개념이나 오류가 있으면 이메일을 보내 알려주세요.
귀하의 인정과 홍보에 진심으로 감사드립니다. 마지막으로, 다음 업데이트를 기다려주세요.
제 이름은 Zhu Mingchao이고 이메일은 [email protected]입니다.
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。 각 후속 업데이트는 update.txt 파일에 저장됩니다.
이 프로젝트는 "Deep Learning" 책의 개념적 요점 외에도 7장의 통합 학습 부분에 있는 Random Forest, Adaboost, GBDT의 원리 분석 및 코드 구현과 같은 몇 가지 보충 지식을 각 장에 추가합니다. 및 XGBoost 또는 10장에서는 현재 주류 방법을 설명합니다 . 큰 장의 목차와 PDF 파일 다운로드 링크는 아래 표에서 확인할 수 있습니다. 특정 PDF 파일의 실제 목차는 contents.txt 를 참조하세요. 아래 PDF 링크에서 해당 장을 다운로드하거나 릴리스 인터페이스에서 모든 파일을 직접 다운로드할 수 있습니다.
| 중국어 구절 | 영어 장 | 다운로드 (파생 및 코드 구현 포함) |
|---|---|---|
| 1장 서문 | 1 소개 | |
| 2장 선형대수학 | 2 선형대수학 | |
| 3장 확률과 정보이론 | 3 확률과 정보이론 | |
| 제4장 수치계산 | 4 수치계산 | |
| 5장 머신러닝의 기초 | 5장 머신러닝 기초 | |
| 6장 심층 피드포워드 신경망 | 6 딥 피드포워드 네트워크 | |
| 7장 딥러닝의 정규화 | 7장 딥러닝을 위한 정규화 | |
| 8장 심층 모델의 최적화 | 8 심층 모델 훈련을 위한 최적화 | |
| 9장 컨벌루션 네트워크 | 9 컨볼루셔널 네트워크 | |
| 10장 시퀀스 모델링: 순환 및 재귀 네트워크 | 10 시퀀스 모델링: 순환 및 재귀 네트 | |
| 11장 실제적인 방법론 | 11 실제적인 방법론 | |
| 제12장 응용 | 12개의 응용프로그램 | |
| 13장 선형 요인 모형 | 13 선형 요인 모델 | |
| 14장. 오토인코더 | 14개의 오토인코더 | |
| 15장 학습 표현하기 | 15 표현 학습 | |
| 16장 딥러닝의 구조화된 확률 모델 | 딥러닝을 위한 16가지 구조화된 확률 모델 | |
| 17장 몬테카를로 방법 | 17 몬테카를로 방법 | |
| 18장. 파티션 기능에 맞서다 | 18 파티션 기능에 맞서다 | |
| 19장 근사 추론 | 19 대략적인 추론 | |
| 20장 심층 생성 모델 | 20가지 심층 생성 모델 |
아직 업로드되지 않은 챕터는 추후 업로드 예정입니다.
이 프로젝트를 인정하고 홍보해 주셔서 감사합니다.
이 프로젝트를 작성하는 데는 시간과 노력이 필요했습니다. 이 프로젝트가 도움이 된다면 저자에게 아이스크림을 대접해 보세요.
