深度学习是一种人工智能, 模仿人脑处理数据和创建用于决策的模式方面的工作, 处理用于检测对象、识别语音、翻译语言和进行决策的数据. 本书是深度学习入门级教材，有以下特点：
1. 由浅入深, 对于*基本的单层神经网络到多层神经网络的前向及后向传播理论, 从公式到代码缓慢进阶, 做了透彻的解释, 易于理解及上手。
2. 在基本模块介绍之后, 对于各种更复杂的模型并不拘泥于细节, 而是着重介绍其含义, 让读者着眼于整体框架及未来发展。
3. 尽量跟随新发展, 书中*的模型来自2020年.
【作者简介】
吴喜之 北京大学数学力学系本科毕业，北卡罗来纳大学统计系博士。中国人民大学统计学院教授，博士生导师。曾在南开大学、北京大学、加利福尼亚大学、北卡罗来纳大学等多所著名学府执教。
【目录】
*部分 Python 基础
第 1 章 Python 基础
1.1引 言
1.2 安 装
1.3 基本模块的编程
1.4 NumPy 模块
1.5 Pandas 模块
1.6 Matplotlib 模块
1.7 Python 的类——面向对象编程简介
1.8 习 题
第二部分 神经网络基础及逐步深化
第 2 章 从*简单的神经网络说起
2.1 纪元和批次
2.2 神经网络回归
2.3 神经网络分类
第 3 章 有隐藏层的神经网络
3.1 一个隐藏层的神经网络
3.2 多个隐藏层的神经网络
3.3 通过 PyTorch 实现神经网络初等计算
第三部分 深度学习的 PyTorch 实现
第 4 章 神经网络的 PyTorch 逐步深化
4.1 简单的人造数据回归
4.2 MNIST 手写数字数据神经网络案例
4.3 卷积神经网络
4.4 MNIST 手 写 数 字 数 据 ( 续): CNN
4.5 CIFAR10 数据图像 CNN 案例·
第 5 章 递归神经网络
5.1 递归神经网络简介
5.2 长短期记忆网络 (LSTM)
5.3 LSTM 预测句子的例子
5.4 门控递归网络 (GRU)
5.5 数 据 MNIST 手 写 数 字 数 据 的GRU 分类例子
5.6 GRU 处理时间序列的例子
第 6 章 PyTorch 文本数据分析
6.1 一个简单的文本分类例子
6.2 序列到序列模型 (seq2seq)
6.3 剖析一个著名 seq2seq 案例
第 7 章 用于自然语言处理的变换器
7.1 变换器的原理
7.2 预训练模块Transformers·
7.3 seq2seq 变换器示范代码
第 8 章 现代 Hopfifield 网络
8.1 概论
8.2 传统的 Hopfifield 网络
8.3 现代 Hopfifield 网络
8.4 现代 Hopfifield 网络例子
第四部分 深度学习的 TensorFlow 实现
第 9 章 通过例子进入 TensorFlow
9.1 分类例子: 皮肤病
9.2 回归例子
9.3 不平衡数据分类例子
第 10 章 TensorFlow 案例
10.1 102 种花卉 CNN 分类例子
10.2 通过 RNN 生成文本例子
10.3 IMDB 数据文本情感分析案例
10.4 IMDB 数据的变换器示范代码
10.5 图像分割案例
【免费在线读】
深度学习是机器学习的一个子领域. 它利用层次化的人工神经网络来实现机器学习的过程. 人工神经网络类似于人的大脑, 其神经元节点像网络一样连接在一起. 深度学习系统的分层功能使机器可以使用非线性方法处理数据. 它主要用于有监督学习, 也能够从非结构化或未标记的数据中不受监督地学习网络. 由于深度学习主要使用神经网络, 也称为深度神
经学习或深度神经网络. 数字时代引起了来自世界各地的各种形式的数据爆炸式增长. 这些数据 (简称为大数据) 来自社交媒体、互联网搜索引擎和电子商务平台等多种资源. 有大量数据易于访问, 并且可以通过云计算等金融科技应用程序共享. 但是, 通常只有非结构化的数据如此庞大, 以至于基于传统方法可能需要数十年才能理解并提取相关信息. 人们意识到, 挖掘这些丰富的信息可能会带来令人难以置信的潜力, 因此, 越来越多地采用诸如深度学习这样的人工智能系统进行自动化支持.
