การเรียนรู้เชิงลึก

" Deep Learning " เป็นหนังสือที่ครอบคลุมเพียงเล่มเดียวในสาขาการเรียนรู้เชิงลึก มีชื่อเต็มว่า Deep Learning AI Bible (Deep Learning) เรียบเรียงโดยผู้เชี่ยวชาญที่มีชื่อเสียงระดับโลกสามคน ได้แก่ Ian Goodfellow, Yoshua Bengio และ Aaron Courville หนังสือเล่มนี้ครอบคลุมความรู้พื้นฐานเกี่ยวกับคณิตศาสตร์และแนวคิดที่เกี่ยวข้อง รวมถึงเนื้อหาที่เกี่ยวข้องในพีชคณิตเชิงเส้น ทฤษฎีความน่าจะเป็น ทฤษฎีข้อมูล การเพิ่มประสิทธิภาพเชิงตัวเลข และการเรียนรู้ของเครื่อง ในเวลาเดียวกัน มันยังแนะนำเทคโนโลยีการเรียนรู้เชิงลึกที่ใช้โดยผู้ปฏิบัติงานในอุตสาหกรรม รวมถึงเครือข่ายป้อนลึกเชิงลึก การทำให้เป็นมาตรฐาน อัลกอริธึมการปรับให้เหมาะสม เครือข่ายแบบหมุนวน การสร้างแบบจำลองลำดับและวิธีการปฏิบัติ และตรวจสอบหัวข้อต่างๆ เช่น การประมวลผลภาษาธรรมชาติ แอปพลิเคชันในการรู้จำเสียง คอมพิวเตอร์วิทัศน์ ระบบแนะนำออนไลน์ ชีวสารสนเทศศาสตร์ และวิดีโอเกม ในที่สุด หนังสือการเรียนรู้เชิงลึกยังให้คำแนะนำการวิจัยบางส่วน ครอบคลุมหัวข้อทางทฤษฎีรวมถึงแบบจำลองปัจจัยเชิงเส้น การเข้ารหัสอัตโนมัติ การเรียนรู้การเป็นตัวแทน แบบจำลองความน่าจะเป็นแบบมีโครงสร้าง วิธีมอนติคาร์โล ฟังก์ชันพาร์ติชัน การอนุมานโดยประมาณ และแบบจำลองเชิงลึก เหมาะสำหรับใช้งานในวิทยาลัย นักศึกษาหรือนักศึกษาระดับบัณฑิตศึกษาในสาขาวิชาเอกที่เกี่ยวข้อง

ปกการเรียนรู้เชิงลึก

คุณสามารถดาวน์โหลดไฟล์ PDF เวอร์ชันภาษาจีนและ PDF เวอร์ชันภาษาอังกฤษของ "การเรียนรู้เชิงลึก" และอ่านได้โดยตรง

สำหรับงานของโปรเจ็กต์นี้ คุณสามารถดาวน์โหลด Deep Learning_Principles และ Code Implementation.pdf ได้โดยตรง (หนังสือจะมีการอัปเดตอย่างต่อเนื่องในภายหลัง)

"การเรียนรู้เชิงลึก" อาจกล่าวได้ว่าเป็นแนวทางเบื้องต้นเกี่ยวกับการเรียนรู้เชิงลึกและปัญญาประดิษฐ์ ผู้ที่ชื่นชอบอัลกอริทึม หลักสูตรการฝึกอบรมการเรียนรู้ของเครื่อง และบทสัมภาษณ์กับบริษัทอินเทอร์เน็ตต่างๆ จำนวนมากอ้างถึงหนังสือเล่มนี้ อย่างไรก็ตาม หนังสือเล่มนี้ไม่ชัดเจน และไม่มีการติดตั้งโค้ดอย่างเป็นทางการ ดังนั้นบางส่วนจึงเป็นเรื่องยากที่จะเข้าใจ โปรเจ็กต์นี้ อธิบายแนวคิดในหนังสืออีกครั้งตามหลักการทางคณิตศาสตร์และการสร้าง และใช้ Python (ส่วนใหญ่เป็นไลบรารี numpy) เพื่อสร้างเนื้อหาหนังสือซ้ำ ( การใช้โค้ดระดับซอร์ส กระบวนการการได้มาและการนำโค้ดไปใช้จะถูกวางไว้ในรูปแบบ pdf ในพื้นที่ดาวน์โหลด ส่วนสำคัญของโค้ดการใช้งานจะอยู่ใน โฟลเดอร์โค้ด ด้วย)

อย่างไรก็ตาม ระดับของฉันมีจำกัด แต่ฉันหวังเป็นอย่างยิ่งว่างานนี้จะช่วยให้ผู้คนเรียนรู้อัลกอริธึมการเรียนรู้เชิงลึกได้มากขึ้น ฉันต้องการคำแนะนำและความช่วยเหลือจากทุกคน หากคุณพบข้อผิดพลาดหรือคำอธิบายที่ไม่ชัดเจนขณะอ่าน ฉันหวังว่าคุณจะสามารถสรุปข้อเสนอแนะของคุณและส่งในประเด็นต่างๆ หากคุณต้องการเข้าร่วมงานนี้หรือมีคำถามอื่น ๆ คุณสามารถติดต่ออีเมลของฉันได้ หากคุณใช้หนังสือเล่มนี้ในงานหรือบล็อกของคุณ โปรดใส่ลิงก์อ้างอิง

ในระหว่างขั้นตอนการเขียน ฉันได้อ้างอิงผลงานออนไลน์ที่ยอดเยี่ยมมากมาย และทรัพยากรอ้างอิงทั้งหมดจะถูกบันทึกไว้ในไฟล์ reference.txt

ข้อความ

งานนี้เขียนหนังสือเล่มนี้ Deep Learning_Principles and Code Implementation.pdf ดังที่คุณเห็นในไฟล์ pdf ทุกแนวคิดที่เกี่ยวข้องกับ "การเรียนรู้เชิงลึก" จะได้รับคำอธิบายโดยละเอียด ที่มาที่ระดับหลักการ และการใช้งานในโค้ด การใช้โค้ดจะไม่เรียกเฟรมเวิร์กการเรียนรู้เชิงลึกใดๆ เช่น Tensorflow, PyTorch, MXNet หรือแม้แต่ sklearn (ส่วนที่ใช้ sklearn ใน PDF ใช้เพื่อตรวจสอบว่าโค้ดถูกต้อง) โค้ดทั้งหมดถูกนำไปใช้จากระดับหลักการ (Python's ไลบรารีพื้นฐาน NumPy ) และมีความคิดเห็นโดยละเอียดซึ่งสอดคล้องกับพื้นที่คำอธิบายหลักการเหนือพื้นที่โค้ด คุณสามารถเข้าใจได้โดยการรวมหลักการและโค้ดเข้าด้วยกัน

สาเหตุของงานนี้คือความรักของฉันเอง แต่เพื่อที่จะทำงานนี้ให้สำเร็จ ฉันต้องใช้เวลาและพลังงานอย่างมาก และมักจะเขียนถึงตีสองหรือตีสามในตอนเช้า การสืบทอด การเขียนโค้ด และการวาดล้วนได้รับการขัดเกลาอย่างช้าๆ และฉันจะรับประกันคุณภาพของงานนี้ งานนี้จะมีการอัปเดตตลอดเวลาและบทที่อัปโหลดจะยังคงเสริมด้วยเนื้อหาต่อไป หากคุณพบแนวคิดหรือข้อผิดพลาดใดๆ ที่คุณต้องการอธิบายในระหว่างขั้นตอนการอ่าน โปรดส่งอีเมลถึงฉันเพื่อแจ้งให้เราทราบ

ขอบคุณมากสำหรับการรับรู้และการส่งเสริมการขายของคุณ สุดท้ายนี้ โปรดรอการอัปเดตครั้งต่อไป

ฉันชื่อ Zhu Mingchao อีเมลของฉันคือ: [email protected]

อัปเดตคำแนะนำ

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。

การอัปเดตครั้งต่อไปแต่ละครั้งจะอยู่ในไฟล์ update.txt

ไดเร็กทอรีบทและการดาวน์โหลดไฟล์

นอกเหนือจากประเด็นแนวคิดในหนังสือ "การเรียนรู้เชิงลึก" แล้ว โครงการนี้ยังเพิ่มความรู้เสริมบางอย่างให้กับแต่ละบท เช่น ป่าสุ่มในส่วนการเรียนรู้แบบบูรณาการของบทที่ 7 การวิเคราะห์หลักการและการนำโค้ดไปใช้ของ Adaboost, GBDT, และ XGBoost หรือบทที่ 10 อธิบายวิธีการหลักในปัจจุบัน สารบัญบทใหญ่และลิงก์ดาวน์โหลดไฟล์ PDF สามารถพบได้ในตารางด้านล่าง สำหรับสารบัญจริงในไฟล์ pdf เฉพาะ โปรดดูที่ contents.txt คุณสามารถดาวน์โหลดบทที่เกี่ยวข้องได้ในลิงก์ pdf ด้านล่าง หรือคุณสามารถดาวน์โหลดไฟล์ทั้งหมดได้โดยตรงในอินเทอร์เฟซการเผยแพร่

โองการจีน	บทภาษาอังกฤษ	ดาวน์โหลด (รวมถึงการสืบทอดและการนำโค้ดไปใช้)
บทที่ 1 คำนำ	1 บทนำ
บทที่ 2 พีชคณิตเชิงเส้น	2 พีชคณิตเชิงเส้น	pdf
บทที่ 3 ความน่าจะเป็นและทฤษฎีสารสนเทศ	3 ความน่าจะเป็นและทฤษฎีสารสนเทศ	pdf
บทที่ 4 การคำนวณเชิงตัวเลข	4 การคำนวณเชิงตัวเลข	pdf
บทที่ 5 พื้นฐานของการเรียนรู้ของเครื่อง	5 พื้นฐานการเรียนรู้ของเครื่อง	pdf
บทที่ 6 เครือข่ายป้อนลึกเชิงลึก	6 เครือข่ายป้อนลึกเชิงลึก	pdf
บทที่ 7 การทำให้เป็นมาตรฐานในการเรียนรู้เชิงลึก	7 การทำให้เป็นมาตรฐานสำหรับการเรียนรู้เชิงลึก	pdf
บทที่ 8 การเพิ่มประสิทธิภาพในโมเดลเชิงลึก	8 การเพิ่มประสิทธิภาพสำหรับโมเดลการฝึกอบรมเชิงลึก	pdf
บทที่ 9 เครือข่าย Convolutional	9 เครือข่าย Convolutional	pdf
บทที่ 10 การสร้างแบบจำลองลำดับ: เครือข่ายแบบเกิดซ้ำและแบบเรียกซ้ำ	การสร้างแบบจำลอง 10 ลำดับ: Nets ที่เกิดซ้ำและแบบเรียกซ้ำ
บทที่ 11 ระเบียบวิธีปฏิบัติ	11 ระเบียบวิธีปฏิบัติ	pdf
บทที่ 12 การสมัคร	12 แอปพลิเคชัน
บทที่ 13 แบบจำลองตัวประกอบเชิงเส้น	แบบจำลองตัวประกอบเชิงเส้น 13 ตัว
บทที่ 14 ตัวเข้ารหัสอัตโนมัติ	14 ตัวเข้ารหัสอัตโนมัติ
บทที่ 15 การแสดงการเรียนรู้	15 การเรียนรู้การเป็นตัวแทน
บทที่ 16 แบบจำลองความน่าจะเป็นเชิงโครงสร้างในการเรียนรู้เชิงลึก	แบบจำลองความน่าจะเป็นแบบมีโครงสร้าง 16 แบบสำหรับการเรียนรู้เชิงลึก
บทที่ 17 วิธีมอนติคาร์โล	17 วิธีมอนติคาร์โล
บทที่ 18 เผชิญหน้ากับฟังก์ชั่นพาร์ติชั่น	18 การเผชิญหน้ากับฟังก์ชันพาร์ติชั่น
บทที่ 19 การอนุมานโดยประมาณ	19 การอนุมานโดยประมาณ
บทที่ 20 โมเดลกำเนิดเชิงลึก	20 โมเดลกำเนิดเชิงลึก