Aprendizado profundo

" Deep Learning " é o único livro abrangente no campo do aprendizado profundo. Seu nome completo também é chamado de Deep Learning AI Bible (Deep Learning) . É editado por três especialistas de renome mundial, Ian Goodfellow, Yoshua Bengio e Aaron. Courville. O livro cobre conhecimentos básicos de matemática e conceitos relacionados, incluindo conteúdo relacionado em álgebra linear, teoria da probabilidade, teoria da informação, otimização numérica e aprendizado de máquina. Ao mesmo tempo, também apresenta tecnologias de aprendizagem profunda usadas por profissionais da indústria, incluindo redes feedforward profundas, regularização, algoritmos de otimização, redes convolucionais, modelagem de sequência e métodos práticos, e investiga tópicos como processamento de linguagem natural, aplicações em reconhecimento de fala , visão computacional, sistemas de recomendação online, bioinformática e videogames. Finalmente, o livro de aprendizagem profunda também fornece algumas orientações de pesquisa, cobrindo tópicos teóricos, incluindo modelos de fatores lineares, autoencodificadores, aprendizagem de representação, modelos probabilísticos estruturados, métodos de Monte Carlo, funções de partição, inferência aproximada e modelos generativos profundos, adequados para uso em faculdades. estudantes ou estudantes de pós-graduação em áreas relacionadas.

Capa de aprendizagem profunda

Você pode baixar o pdf da versão em chinês e o pdf da versão em inglês de "Deep Learning" e lê-los diretamente.

Para o trabalho deste projeto, você pode baixar diretamente Deep Learning_Principles e Code Implementation.pdf (o livro será atualizado continuamente posteriormente)

Pode-se dizer que "Deep Learning" é um guia introdutório ao aprendizado profundo e à inteligência artificial. Muitos entusiastas de algoritmos, cursos de treinamento em aprendizado de máquina e entrevistas com empresas de Internet referem-se a este livro. No entanto, este livro é obscuro e a implementação oficial do código não é fornecida, portanto, algumas partes são difíceis de entender. Este projeto redescreve os conceitos do livro com base na derivação matemática e nos princípios de geração e usa Python (principalmente a biblioteca numpy) para reproduzir o conteúdo do livro ( implementação do código-fonte. O processo de derivação e a implementação do código são colocados no pdf arquivo na área de download , a parte importante do código de implementação também é colocada na pasta de código ).

No entanto, meu nível é limitado, mas espero sinceramente que este trabalho possa ajudar mais pessoas a aprender algoritmos de aprendizagem profunda. Preciso do conselho e da ajuda de todos. Se você encontrar erros ou explicações pouco claras durante a leitura, espero que possa resumir suas sugestões e enviá-las em Edições. Se você também quiser participar deste trabalho ou tiver outras dúvidas, pode entrar em contato com meu email. Se você usar este livro em seu trabalho ou blog, inclua um link de citação.

Durante o processo de escrita, referi-me a muitos trabalhos online excelentes e todos os recursos de referência estão salvos no arquivo reference.txt .

mensagem

Este trabalho é escrever este livro Deep Learning_Principles and Code Implementation.pdf. Como você pode ver no arquivo pdf, cada conceito envolvido em “Deep Learning” receberá uma descrição detalhada, derivação em nível de princípio e implementação em código. A implementação do código não chamará nenhuma estrutura de aprendizado profundo, como Tensorflow, PyTorch, MXNet ou mesmo sklearn (a parte que usa sklearn no PDF é usada para verificar se o código está correto. Todos os códigos são implementados no nível principal (Python). biblioteca básica NumPy) e possui comentários detalhados, que são consistentes com a área de descrição do princípio acima da área de código. Você pode entendê-lo combinando os princípios e o código.

A razão deste trabalho é o meu próprio amor, mas para concluí-lo preciso investir muito tempo e energia, e costumo escrever até duas ou três da manhã. A derivação, codificação e desenho são todos polidos lentamente, e irei garantir a qualidade deste trabalho. Este trabalho será atualizado o tempo todo, e os capítulos carregados continuarão a ser complementados com conteúdo. Se você encontrar algum conceito ou erro que queira descrever durante o processo de leitura, envie-me um e-mail para me avisar.

Muito obrigado pelo seu reconhecimento e promoção. Finalmente, aguarde a próxima atualização.

Meu nome é Zhu Mingchao, meu e-mail é: [email protected]

Instruções de atualização

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 atualização subsequente será colocada no arquivo update.txt .

Diretório de capítulo e download de arquivo

Além dos pontos conceituais do livro "Aprendizagem Profunda", este projeto também adiciona alguns conhecimentos complementares a cada capítulo, como a floresta aleatória na parte de aprendizagem integrada do Capítulo 7, a análise de princípios e implementação de código de Adaboost, GBDT, e XGBoost, ou o décimo capítulo, o Capítulo 2 descreve alguns métodos convencionais atuais . O índice grande do capítulo e o link para download do arquivo PDF podem ser encontrados na tabela abaixo. Para obter o índice real no arquivo PDF específico, consulte contents.txt . Você pode baixar os capítulos correspondentes no link pdf abaixo, ou pode baixar todos os arquivos diretamente na interface de lançamentos.

Versos chineses	Capítulo em inglês	download (Incluindo derivação e implementação de código)
Capítulo 1 Prefácio	1 Introdução
Capítulo 2 Álgebra Linear	2 Álgebra Linear	pdf
Capítulo 3 Probabilidade e Teoria da Informação	3 Probabilidade e Teoria da Informação	pdf
Capítulo 4 Cálculo Numérico	4 Computação Numérica	pdf
Capítulo 5 Noções básicas de aprendizado de máquina	5 Noções básicas de aprendizado de máquina	pdf
Capítulo 6 Rede Deep Feedforward	6 Redes Feedforward Profundas	pdf
Capítulo 7 Regularização em Aprendizado Profundo	7 Regularização para Aprendizado Profundo	pdf
Capítulo 8 Otimização em modelos profundos	8 Otimização para treinamento de modelos profundos	pdf
Capítulo 9 Rede Convolucional	9 Redes Convolucionais	pdf
Capítulo 10 Modelagem de Sequência: Redes Recorrentes e Recursivas	10 Modelagem de Sequência: Redes Recorrentes e Recursivas
Capítulo 11 Metodologia Prática	11 Metodologia Prática	pdf
Capítulo 12 Aplicação	12 aplicações
Capítulo 13 Modelo de Fator Linear	13 modelos de fator linear
Capítulo 14 Autoencodificadores	14 codificadores automáticos
Capítulo 15 Expressando Aprendizagem	15 Aprendizagem de Representação
Capítulo 16 Modelo Probabilístico Estruturado em Aprendizado Profundo	16 modelos probabilísticos estruturados para aprendizagem profunda
Capítulo 17 Método Monte Carlo	17 métodos de Monte Carlo
Capítulo 18 Confrontando a Função de Partição	18 Confrontando a Função de Partição
Capítulo 19 Inferência Aproximada	19 Inferência Aproximada
Capítulo 20 Modelos Gerativos Profundos	20 modelos generativos profundos