DeepLearning
v1.1.1
« Глубокое обучение » — единственная всеобъемлющая книга в области глубокого обучения. Ее полное название также называется «Библия глубокого обучения AI» (Deep Learning) . Ее редактируют три всемирно известных эксперта: Ян Гудфеллоу, Йошуа Бенджио и Аарон. Курвиль охватывает базовые знания в области математики и связанных с ней концепций, включая соответствующие материалы по линейной алгебре, теории вероятностей, теории информации, числовой оптимизации и машинному обучению. В то же время он также знакомит с технологиями глубокого обучения, используемыми практиками в отрасли, включая сети глубокого прямого распространения, регуляризацию, алгоритмы оптимизации, сверточные сети, моделирование последовательностей и практические методы, а также исследует такие темы, как обработка естественного языка, приложения для распознавания речи. , компьютерное зрение, системы онлайн-рекомендаций, биоинформатика и видеоигры. Наконец, в книге по глубокому обучению также представлены некоторые направления исследований, охватывающие теоретические темы, включая линейные факторные модели, автокодировщики, обучение представлениям, структурированные вероятностные модели, методы Монте-Карло, функции распределения, приближенный вывод и глубокие генеративные модели, подходящие для использования в колледже. студенты или аспиранты смежных специальностей.
Вы можете скачать китайскую версию PDF-файла и английскую версию PDF-файла «Глубокого обучения» и прочитать их напрямую.
Для работы по этому проекту вы можете напрямую скачать Deep Learning_Principles и Code Implementation.pdf (книга будет постоянно обновляться позже)
«Глубокое обучение» можно назвать вводным руководством по глубокому обучению и искусственному интеллекту. Многие энтузиасты алгоритмов, обучающие курсы по машинному обучению и интервью с интернет-компаниями обращаются к этой книге. Однако эта книга малопонятна, и официальная реализация кода не представлена, поэтому некоторые части трудно понять. Этот проект переописывает концепции книги на основе принципов математического вывода и генерации и использует Python (в основном библиотеку numpy) для воспроизведения содержания книги ( реализация кода на уровне исходного кода. Процесс вывода и реализация кода помещены в pdf-файл). файл в области загрузки , важная часть кода реализации также помещается в папку кода ).
Однако мой уровень ограничен, но я искренне надеюсь, что эта работа поможет большему количеству людей изучить алгоритмы глубокого обучения. Мне нужен совет и помощь каждого. Если во время чтения вы столкнетесь с ошибками или неясными объяснениями, я надеюсь, что вы сможете обобщить свои предложения и отправить их в раздел «Вопросы». Если вы также хотите присоединиться к этой работе или у вас есть другие вопросы, вы можете написать на мою электронную почту. Если вы используете эту книгу в своей работе или блоге, добавьте ссылку для цитирования.
В процессе написания я сослался на множество отличных онлайн-работ, и все справочные ресурсы сохранены в файле reference.txt .
Эта работа заключается в написании книги Deep Learning_Principles and Code Implementation.pdf. Как вы можете видеть в PDF-файле, каждая концепция, задействованная в «Глубоком обучении», будет иметь подробное описание, вывод на принципиальном уровне и реализацию в коде. Реализация кода не будет вызывать какую-либо среду глубокого обучения, такую как Tensorflow, PyTorch, MXNet или даже sklearn (часть, использующая sklearn в PDF-файле, используется для проверки правильности кода. Все коды реализуются на принципиальном уровне (Python). базовая библиотека NumPy) и содержат подробные комментарии, соответствующие области описания принципов над областью кода. Это можно понять, объединив принципы и код.
Причиной этой работы является моя собственная любовь, но для выполнения этой работы мне нужно вложить много времени и сил, и я обычно пишу до двух-трех часов ночи. Вывод, кодирование и рисование постепенно оттачиваются, и я гарантирую качество этой работы. Эта работа будет постоянно обновляться, а загруженные главы будут по-прежнему дополняться контентом. Если вы столкнетесь с какими-либо понятиями или ошибками, которые хотите описать в процессе чтения, пришлите мне сообщение по электронной почте.
Большое спасибо за признание и продвижение. Наконец, пожалуйста, дождитесь следующего обновления.
Меня зовут Чжу Минчао, мой адрес электронной почты: [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。 Каждое последующее обновление будет помещено в файл update.txt .
Помимо концептуальных моментов из книги «Глубокое обучение», этот проект также добавляет некоторые дополнительные знания в каждую главу, такие как случайный лес в части интегрированного обучения в главе 7, принципиальный анализ и реализация кода Adaboost, GBDT, и XGBoost, или десятая глава 2, описывает некоторые текущие основные методы . Оглавление большой главы и ссылку для скачивания файла в формате PDF можно найти в таблице ниже. Фактическое оглавление в конкретном файле PDF можно найти в contents.txt . Вы можете скачать соответствующие главы по ссылке в формате pdf ниже или загрузить все файлы непосредственно в интерфейсе релизов.
| Китайские стихи | Английская глава | скачать (Включая вывод и реализацию кода) |
|---|---|---|
| Глава 1. Предисловие | 1 Введение | |
| Глава 2 Линейная алгебра | 2 Линейная алгебра | |
| Глава 3 Теория вероятностей и информации | 3 Теория вероятностей и информации | |
| Глава 4. Численный расчет | 4 Численный расчет | |
| Глава 5. Основы машинного обучения | 5 основ машинного обучения | |
| Глава 6. Сеть глубокой прямой связи | 6 сетей глубокой прямой связи | |
| Глава 7. Регуляризация в глубоком обучении | 7. Регуляризация для глубокого обучения | |
| Глава 8. Оптимизация в глубоких моделях | 8 Оптимизация для обучения глубоких моделей | |
| Глава 9. Сверточная сеть | 9 сверточных сетей | |
| Глава 10. Моделирование последовательностей: рекуррентные и рекурсивные сети | Глава 10. Моделирование последовательностей: рекуррентные и рекурсивные сети | |
| Глава 11. Практическая методология | 11 Практическая методология | |
| Глава 12 Применение | 12 приложений | |
| Глава 13. Линейная факторная модель | 13 линейных факторных моделей | |
| Глава 14 Автоэнкодеры | 14 автоэнкодеров | |
| Глава 15. Выражение обучения | 15 Обучение представлению | |
| Глава 16. Структурированная вероятностная модель в глубоком обучении | 16 структурированных вероятностных моделей для глубокого обучения | |
| Глава 17. Метод Монте-Карло | 17 методов Монте-Карло | |
| Глава 18. Противостояние функции секционирования | 18. Противостояние функции разделения | |
| Глава 19. Приблизительный вывод | 19 Приблизительный вывод | |
| Глава 20. Глубокие генеративные модели | 20 глубоких генеративных моделей |
Главы, которые еще не загружены, будут загружены в будущем.
Спасибо за признание и продвижение этого проекта.
Написание этого проекта потребовало времени и усилий. Если этот проект вам полезен, вы можете угостить автора мороженым:
