Python深度学习从原理到应用

1. 涵盖深度学习算法的实际应用和很好实践，可从中了解识别和提取信息的方法，提高预测的准确率，并对结果进行优化； 2. 涵盖神经网络、无监督特征学习、图像识别以及递归神经网络等多种机器学习的方法和技术； 3. 展示了深度学习在棋盘游戏和电子游戏中的应用； 4. 实现了一个可用于生产环境的入侵检测系统； 5. 提供源代码。

本书借助现实案例介绍深度学习算法的实际应用（包括很好实践），旨在帮助读者了解如何识别和提取信息，以提高预测准确率及优化结果。本书共10章，分别是机器学习——引言、神经网络、深度学习基本原理、无监督特征学习、图像识别、递归神经网络和语言模型、深度学习在棋盘游戏中的应用、深度学习在电子游戏中的应用、异常检测和构建一个可用于生产环境的入侵检测系统。本书适合想深入研究深度学习算法和技术的读者学习，也适合想探究如何从这项强大技术中学到更多知识的读者参考。

第1章机器学习——引言1
1．1什么是机器学习1
1．2不同的机器学习方法2
1．2．1监督学习2
1．2．2无监督学习4
1．2．3强化学习6
1．2．4机器学习系统所涉及的步骤7
1．2．5关于流行技术/算法的简介9
1．2．6在现实生活中的应用19
1．2．7流行开源包21
1．3小结26
第2章神经网络27
2．1为什么是神经网络27
2．2基本原理28
2．2．1神经元以及层29
2．2．2不同类型的激活函数33
2．3反向传播算法37
2．3．1线性回归37
2．3．2逻辑回归39
2．3．3反向传播41
2．4行业应用44
2．4．1信号处理44
2．4．2医疗44
2．4．3自动汽车驾驶44
2．4．4商业45
2．4．5模式识别45
2．4．6语音生成45
2．5异或函数的神经网络代码示例45
2．6小结50
第3章深度学习基本原理52
3．1什么是深度学习52
3．1．1基本概念54
3．1．2特征学习55
3．1．3深度学习算法62
3．2深度学习应用63
3．2．1语音识别63
3．2．2对象识别与分类65
3．3图形处理单元与中央处理单元67
3．4流行开源库—引言69
3．4．1Theano69
3．4．2TensorFlow69
3．4．3Keras70
3．4．4使用Keras的简单深度神经网络代码70
3．5小结75
第4章无监督特征学习76
4．1自编码器77
4．1．1网络设计80
4．1．2用于自编码器的正则化技术83
4．1．3自编码器概述87
4．2受限玻尔兹曼机87
4．2．1霍普菲尔德网络与玻尔兹曼机89
4．2．2玻尔兹曼机91
4．2．3受限玻尔兹曼机93
4．2．4在TensorFlow中的实现94
4．2．5深度信念网络98
4．3小结99
第5章图像识别102
5．1人工模型与生物模型的相似性102
5．2直观认识与合理性103
5．3卷积层104
5．4池化层111
5．5dropout层112
5．6深度学习中的卷积层113
5．7Theano中的卷积层114
5．8用Keras来识别数字的卷积层示例115
5．9将Keras用于cifar10的卷积层示例118
5．10预训练120
5．11小结121
第6章递归神经网络和语言模型123
6．1递归神经网络123
6．1．1RNN—如何实施和训练125
6．1．2长短期记忆130
6．2语言建模133
6．2．1基于单词的语言模型133
6．2．2基于字符的语言模型138
6．3语音识别144
6．3．1语音识别管线144
6．3．2作为输入数据的语音145
6．3．3预处理146
6．3．4声学模型147
6．3．5解码149
6．3．6端到端模型150
6．4小结150
6．5拓展阅读150
第7章深度学习在棋盘游戏中的应用154
7．1早期游戏AI155
7．2用最小-优选算法评估游戏状态156
7．3实现Python井字游戏158
7．4学习价值函数166
7．5训练AI掌握围棋167
7．6应用于树结构的置信上限169
7．7蒙特卡罗树搜索中的深度学习176
7．8快速复习强化学习177
7．9用于学习策略函数的策略梯度177
7．10AlphaGo中的策略梯度185
7．11小结186
第8章深度学习在电子游戏中的应用188
8．1应用于游戏的监督学习算法188
8．2遗传算法在游戏中的应用189
8．3Q-learning算法190
8．4Q-learning算法在动作中的应用192
8．5动态游戏197
8．5．1经验回放200
8．5．2Epsilon贪婪算法203
8．6《雅达利打砖块》游戏204
8．6．1《雅达利打砖块》游戏的随机基准205
8．6．2预处理屏幕207
8．6．3创建一个深度卷积网络208
8．6．4Q-learning算法中的收敛问题213
8．6．5策略梯度与Q-learning算法214
8．7actor-critic算法215
8．7．1方差缩减基线216
8．7．2通用优势估计器216
8．8异步算法217
8．9基于模型的算法218
8．10小结220
第9章异常检测221
9．1什么是异常检测和异常点检测221
9．2异常检测的现实应用224
9．3流行的浅层机器学习技术225
9．3．1数据建模225
9．3．2检测建模225
9．4基于深度自编码器的异常检测227
9．5开始使用H2O229
9．6示例230
9．6．1MNIST数字异常识别230
9．6．2心电图脉冲检测238
9．7小结243
第10章构建一个可用于生产环境的入侵检测系统244
10．1什么是数据产品245
10．2训练246
10．2．1权值初始化246
10．2．2使用HOGWILD!的并行随机梯度下降算法248
10．2．3自适应学习250
10．2．4学习率退火250
10．2．5动量法251
10．2．6Nesterov加速法251
10．2．7牛顿迭代法252
10．2．8Adagrad算法253
10．2．9Adadelta算法253
10．2．10通过Map/Reduce实现分布式学习255
10．2．11Sparkling Water258
10．3测试260
10．3．1模型验证266
10．3．2有标记数据267
10．3．3无标记数据269
10．3．4验证总结272
10．3．5超参数调优272
10．3．6端到端评估275
10．3．7A/B测试277
10．3．8测试总结278
10．4部署279
10．4．1POJO模型导出280
10．4．2异常得分API283
10．4．3部署总结285
10．5小结285