深度学习(人工智能算法，机器学习奠基之作，AI圣经 AI圣经 Deep Learning中文版 长期位居美国亚马逊人工智能和机器学习类图书榜首)
伊恩·古德费洛 (Ian Goodfellow, 亚伦·库维尔 (Aaron Courville), 约书亚·本吉奥 (Yoshua Bengio)🐢 Descargas lentas
Las descargas gratuitas ilimitadas son accesibles a través de nuestra lista de espera, un sistema diseñado para dar a todos un acceso justo.
- PDF: Descargar Leer
🚀 Descargas rápidas
🚀 Descargas rápidas Conviértete en miembro para apoyar la preservación a largo plazo de libros, artículos y más. Para mostrar nuestra gratitud por tu apoyo obtienes descargas rápidas. ❤️
- PDF: Descargar Leer
-
Necesitará un lector de ebooks o PDF para abrir el archivo, dependiendo del formato del archivo.
Lectores de ebooks recomendados: ReadEra y Calibre -
Utilice herramientas en línea para convertir entre formatos.
Herramientas de conversión recomendadas: CloudConvert -
Puede enviar archivos PDF y EPUB a su Kindle o Kobo eReader.
Herramientas recomendadas: “Enviar a Kindle” de Amazon y “Enviar a Kobo/Kindle” de djazz
深度学习 /Shen du xue xi
伊恩·古德费洛 (Ian Goodfellow), 约书亚·本吉奥 (Yoshua Bengio), 亚伦·库维尔 (Aaron Courville)
《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写,是深度学习领域奠基性的经典教材。全书的内容包括3个部分:第1部分介绍基本的数学工具和机器学习的概念,它们是深度学习的预备知识;第2部分系统深入地讲解现今已成熟的深度学习方法和技术;第3部分讨论某些具有前瞻性的方向和想法,它们被公认为是深度学习未来的研究重点。《深度学习》适合各类读者阅读,包括相关专业的大学生或研究生,以及不具有机器学习或统计背景、但是想要快速补充深度学习知识,以便在实际产品或平台中应用的软件工程师。
机器学习实战 = Machine Learning in Action
[美]peter Harrington 李锐，李鹏，曲亚东，等
机器学习是人工智能研究领域中一个极其重要的研究方向,在现今的大数据时代背景下,捕获数据并从中萃取有价值的信息或模式,成为各行业求生存、谋发展的决定性手段,这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。 本书第一部分主要介绍机器学习基础,以及如何利用算法进行分类,并逐步介绍了多种经典的监督学习算法,如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树(CART)算法等。第三部分则重点介绍无监督学习及其一些主要算法:k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。 全书通过精心编排的实例,切入日常工作任务,摒弃学术化语言,利用高效的可复用Python代码来阐释如何处理统计数据,进行数据分析及可视化。通过各种实例,读者可从中学会机器学习的核心算法,并能将其运用于一些策略性任务中,如分类、预测、推荐。另外,还可用它们来实现一些更高级的功能,如汇总和简化等。
动手学深度学习 = Dive into deep learning
阿斯顿·张(Aston Zhang), 李沐(Mu Li), [美] 扎卡里·c. 立顿(Zachary C. Lipton), [德] 亚历山大·j. 斯莫拉(Alexander J. Smola)
本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理,还演示它们的实现和运行。与传统图书不同,本书的每一节都是一个可以下载并运行的 Jupyter记事本,它将文字、公式、图像、代码和运行结果结合在了一起。此外,读者还可以访问并参与书中内容的讨论。全书的内容分为3个部分:第一部分介绍深度学习的背景,提供预备知识,并包括深度学习最基础的概念和技术;第二部分描述深度学习计算的重要组成部分,还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络;第三部分评价优化算法,检验影响深度学习计算性能的重要因素,并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。本书同时覆盖深度学习的方法和实践,主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。
Python 深度学习 = Deep learning with Python
本书由 Keras 之父、现任 Google 人工智能研究员的弗朗索瓦 • 肖莱(François Chollet)执笔,详尽介 绍了用 Python 和 Keras 进行深度学习的探索实践,涉及计算机视觉、自然语言处理、生成式模型等应用。 书中包含 30 多个代码示例,步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化,读者无须 具备机器学习相关背景知识即可展开阅读。在学习完本书后,读者将具备搭建自己的深度学习环境、建立 图像识别模型、生成图像和文字等能力。本书适合从事大数据及机器学习领域工作,并对深度学习感兴趣的各类读者。
深度学习入门 : 基于Python的理论与实现 = Deep learning from Scratch Shen du xue xi ru men : Ji yu Python de li lun yu shi xian = Deep learning from Scratch
本书是深度学习真正意义上的入门书,深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3,尽量不依赖外部库或工具,从基本的数学知识出发,带领读者从零创建一个经典的深度学习网络,使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识,对误差反向传播法、卷积神经网络等也有深入讲解,此外还介绍了深度学习相关的实用技巧,自动驾驶、图像生成、强化学习等方面的应用,以及为什么加深层可以提高识别精度等“为什么”的问题。
机器学习 = Machine learning
机器学习是计算机科学与人工智能的重要分支领域。本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面。为了使尽可能多的读者通过本书对机器学习有所了解,作者试图尽可能少地使用数学知识。然而,少量的概率、统计、代数、优化、逻辑知识似乎不可避免。因此,本书更适合大学三年级以上的理工科本科生和研究生,以及具有类似背景的对机器学习感兴趣的人士。为方便读者,本书附录给出了一些相关数学基础知识简介。 全书共16章,大致分为3个部分:第1部分(第1~3章)介绍机器学习的基础知识;第2部分(第4~10章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3部分(第11~16章)为进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。前3章之外的后... 机器学习是计算机科学与人工智能的重要分支领域。本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面。为了使尽可能多的读者通过本书对机器学习有所了解,作者试图尽可能少地使用数学知识。然而,少量的概率、统计、代数、优化、逻辑知识似乎不可避免。因此,本书更适合大学三年级以上的理工科本科生和研究生,以及具有类似背景的对机器学习感兴趣的人士。为方便读者,本书附录给出了一些相关数学基础知识简介。 全书共16章,大致分为3个部分:第1部分(第1~3章)介绍机器学习的基础知识;第2部分(第4~10章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3部分(第11~16章)为进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。前3章之外的后续各章均相对独立,读者可根据自己的兴趣和时间情况选择使用。根据课时情况,一个学期的本科生课程可考虑讲授前9章或前10章;研究生课程则不妨使用全书。 书中除第1章外,每章都给出了十道习题。有的习题是帮助读者巩固本章学习,有的是为了引导读者扩展相关知识。一学期的一般课程可使用这些习题,再辅以两到三个针对具体数据集的大作业。带星号的习题则有相当难度,有些并无现成答案,谨供富有进取心的读者启发思考。 本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
神经网络与深度学习
序 前言 常用符号表 目录 第一部分 机器学习基础 第1章 绪论 1.1 人工智能 1.1.1 人工智能的发展历史 1.1.2 人工智能的流派 1.2 机器学习 1.3 表示学习 1.3.1 局部表示和分布式表示 1.3.2 表示学习 1.4 深度学习 1.4.1 端到端学习 1.5 神经网络 1.5.1 人脑神经网络 1.5.2 人工神经网络 1.5.3 神经网络的发展历史 1.6 本书的知识体系 1.7 常用的深度学习框架 1.8 总结和深入阅读 第2章 机器学习概述 2.1 基本概念 2.2 机器学习的三个基本要素 2.2.1 模型 2.2.2 学习准则 2.2.3 优化算法 2.3 机器学习的简单示例:线性回归 2.3.1 参数学习 2.4 偏差-方差分解 2.5 机器学习算法的类型 2.6 数据的特征表示 2.6.1 传统的特征学习 2.6.2 深度学习方法 2.7 评价指标 2.8 理论和定理 2.8.1 PAC学习理论 2.8.2 没有免费午餐定理 2.8.3 丑小鸭定理 2.8.4 奥卡姆剃刀原理 2.8.5 归纳偏置 2.9 总结和深入阅读 第3章 线性模型 3.1 线性判别函数和决策边界 3.1.1 二分类 3.1.2 多分类 3.2 Logistic回归 3.2.1 参数学习 3.3 Softmax回归 3.3.1 参数学习 3.4 感知器 3.4.1 参数学习 3.4.2 感知器的收敛性 3.4.3 参数平均感知器 3.4.4 扩展到多分类 3.5 支持向量机 3.5.1 参数学习 3.5.2 核函数 3.5.3 软间隔 3.6 损失函数对比 3.7 总结和深入阅读 第二部分 基础模型 第4章 前馈神经网络 4.1 神经元 4.1.1 Sigmoid型函数 4.1.2 ReLU函数 4.1.3 Swish函数 4.1.4 高斯误差线性单元 4.1.5 Maxout单元 4.2 网络结构 4.2.1 前馈网络 4.2.2 记忆网络 4.2.3 图网络 4.3 前馈神经网络 4.3.1 通用近似定理 4.3.2 应用到机器学习 4.3.3 参数学习 4.4 反向传播算法 4.5 自动梯度计算 4.5.1 数值微分 4.5.2 符号微分 4.5.3 自动微分 4.6 优化问题 4.6.1 非凸优化问题 4.6.2 梯度消失问题 4.7 总结和深入阅读 第5章 卷积神经网络 5.1 卷积 5.1.1 互相关 5.1.2 卷积的变种 5.1.3 卷积的数学性质 5.2 卷积神经网络 5.2.1 用卷积来代替全连接 5.2.2 卷积层 5.2.3 汇聚层 5.2.4 典型的卷积网络结构 5.3 参数学习 5.3.1 误差项的计算 5.4 几种典型的卷积神经网络 5.4.1 LeNet-5 5.4.2 AlexNet 5.4.3 Inception网络 5.4.4 残差网络 5.5 其他卷积方式 5.5.1 转置卷积 5.5.2 空洞卷积 5.6 总结和深入阅读 第6章 循环神经网络 6.1 给网络增加记忆能力 6.1.1 延时神经网络 6.1.2 有外部输入的非线性自回归模型 6.1.3 循环神经网络 6.2 简单循环网络 6.2.1 循环神经网络的计算能力 6.3 应用到机器学习 6.3.1 序列到类别模式 6.3.2 同步的序列到序列模式 6.3.3 异步的序列到序列模式 6.4 参数学习 6.4.1 随时间反向传播算法 6.4.2 实时循环学习算法 6.5 长程依赖问题 6.5.1 改进方案 6.6...
神经网络与深度学习
Machine Learning Has Become A Key Enabling Technology For Many Engineering Applications, Investigating Scientific Questions And Theoretical Problems Alike. To Stimulate Discussions And To Disseminate New Results, A Summer School Series Was Started In February 2002, The Documentation Of Which Is Published As Lnai 2600. This Book Presents Revised Lectures Of Two Subsequent Summer Schools Held In 2003 In Canberra, Australia, And In Tübingen, Germany. The Tutorial Lectures Included Are Devoted To Statistical Learning Theory, Unsupervised Learning, Bayesian Inference, And Applications In Pattern Recognition; They Provide In-depth Overviews Of Exciting New Developments And Contain A Large Number Of References. Graduate Students, Lecturers, Researchers And Professionals Alike Will Find This Book A Useful Resource In Learning And Teaching Machine Learning.
深度学习的数学 successbooks 9787115509345
本书介绍了深度学习相关的数学知识.第1章介绍神经网络的概况;第2章介绍理解神经网络所需的数学基础知识;第3章介绍神经网络的最优化;第4章介绍神经网络和误差反向传播法;第5章介绍深度学习和卷积神经网络.
图解深度学习
本书从深度学习的发展历程讲起,以丰富的图例从理论和实践两个层面介绍了深度学习的各种方法,以及深度学习在图像识别等领域的应用案例。内容涉及神经网络 卷积神经网络、受限玻尔兹曼机、自编码器、泛化能力的提高等。此外,还介绍了包括TheanoPylearn2 CaffeDIGITSChainerensorflow在内的深度学习工具的安装和使用方法。本书图例丰富清晰直观,适合所有对深度学习感兴趣的读者阅读。
Python深度学习 : 基于PyTorch = Deep learning with Python and PyTorch
这是一本基于最新的Python和PyTorch版本的深度学习著作,旨在帮助读者低门槛进入深度学习领域,轻松速掌握深度学习的理论知识和实践方法,快速实现从入门到进阶的转变。 本书是多位人工智能技术专家和大数据技术专家多年工作经验的结晶,从工具使用、技术原理、算法设计、案例实现等多个维度对深度学习进行了系统的讲解。内容选择上,广泛涉猎、重点突出、注重实战;内容安排上,实例切入、由浅入深、循序渐进;表达形式上,深度抽象、化繁为简、用图说话。 本书共16章,分为三部分: 第一部分(第1~4章) PyTorch基础 首先讲解了机器学习和数据科学中必然会用到的工具Numpy的使用,然后从多个角度讲解了Pytorch的必备基础知识,最后详细讲解了Pytorch的神经网络工具箱和数据处理工具箱。 第二部分(第5~8章) 深度学习基础 这部分从技术原理、算法设计、实... 这是一本基于最新的Python和PyTorch版本的深度学习著作,旨在帮助读者低门槛进入深度学习领域,轻松速掌握深度学习的理论知识和实践方法,快速实现从入门到进阶的转变。 本书是多位人工智能技术专家和大数据技术专家多年工作经验的结晶,从工具使用、技术原理、算法设计、案例实现等多个维度对深度学习进行了系统的讲解。内容选择上,广泛涉猎、重点突出、注重实战;内容安排上,实例切入、由浅入深、循序渐进;表达形式上,深度抽象、化繁为简、用图说话。 本书共16章,分为三部分: 第一部分(第1~4章) PyTorch基础 首先讲解了机器学习和数据科学中必然会用到的工具Numpy的使用,然后从多个角度讲解了Pytorch的必备基础知识,最后详细讲解了Pytorch的神经网络工具箱和数据处理工具箱。 第二部分(第5~8章) 深度学习基础 这部分从技术原理、算法设计、实践技巧等维度讲解了机器学习和深度学习的经典理理论、算法以及提升深度学习模型性能的多种技巧,涵盖视觉处理、NLP和生成式深度学习等主题。 第三部分(第9~16章) 深度学习实践 这部分从工程实践的角度讲解了深度学习的工程方法和在一些热门领域的实践方案,具体包括人脸识别、图像修复、图像增强、风格迁移、中英文互译、生成式对抗网络、对抗攻击、强化学习、深度强化学习等内容。
动手学深度学习 PyTorch 版 2020.3.13
lgrsnf/动手学深度学习 PyTorch 版 2020.3.13.epub
深度学习 /Shen du xue xi
伊恩·古德费洛 (Ian Goodfellow), 约书亚·本吉奥 (Yoshua Bengio), 亚伦·库维尔 (Aaron Courville)
《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写,是深度学习领域奠基性的经典教材。全书的内容包括3个部分:第1部分介绍基本的数学工具和机器学习的概念,它们是深度学习的预备知识;第2部分系统深入地讲解现今已成熟的深度学习方法和技术;第3部分讨论某些具有前瞻性的方向和想法,它们被公认为是深度学习未来的研究重点。《深度学习》适合各类读者阅读,包括相关专业的大学生或研究生,以及不具有机器学习或统计背景、但是想要快速补充深度学习知识,以便在实际产品或平台中应用的软件工程师。
统计学习方法(第2版): 课件
统计学习方法即机器学习方法,是计算机及其应用领域的一门重要学科。本书分为监督学 习和无监督学习两篇,全面系统地介绍了统计学习的主要方法。包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM 算法、隐马尔可夫模型和条件随机场,以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和 PageRank 算法等。除有关统计学习、监督学习和无监督学习的概论和总结的四章外,每章介绍一种方法。叙述力求从具体问题或实例入手, 由浅入深,阐明思路,给出必要的数学推导,便于读者掌握统计学习方法的实质,学会运用。 为满足读者进一步学习的需要,书中还介绍了一些相关研究,给出了少量习题,列出了主要参考文献。 本书是统计机器学习及相关课程的教学参考书,适用于高等院校文本数据挖掘... 统计学习方法即机器学习方法,是计算机及其应用领域的一门重要学科。本书分为监督学 习和无监督学习两篇,全面系统地介绍了统计学习的主要方法。包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM 算法、隐马尔可夫模型和条件随机场,以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和 PageRank 算法等。除有关统计学习、监督学习和无监督学习的概论和总结的四章外,每章介绍一种方法。叙述力求从具体问题或实例入手, 由浅入深,阐明思路,给出必要的数学推导,便于读者掌握统计学习方法的实质,学会运用。 为满足读者进一步学习的需要,书中还介绍了一些相关研究,给出了少量习题,列出了主要参考文献。 本书是统计机器学习及相关课程的教学参考书,适用于高等院校文本数据挖掘、信息检索及自然语言处理等专业的大学生、研究生,也可供从事计算机应用相关专业的研发人员参考。
机器学习公式详解 = Pumpkin book
周志华老师的《机器学习》(俗称“西瓜书”)是机器学习领域的经典入门教材之一. 本书(俗称“南瓜书”)基于Datawhale成员自学“西瓜书”时记下的笔记编著而成,旨在对“西瓜书”中重、难点公式加以解析,以及对部分公式补充具体的推导细节. 全书共16章,与“西瓜书”章节、公式对应,每个公式的推导和解析都以本科数学基础的视角进行讲解,希望能够帮助读者达到“理工科数学基础扎实点的大二下学期学生”水平. 每章都附有相关阅读材料,以便有兴趣的读者进一步钻研探索. 本书思路清晰,视角独特,结构合理,可作为高等院校计算机及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考.
深度学习(人工智能算法，机器学习奠基之作，AI圣经 AI圣经 Deep Learning中文版 长期位居美国亚马逊人工智能和机器学习类图书榜首)
伊恩·古德费洛 (Ian Goodfellow), 亚伦·库维尔 (Aaron Courville), 约书亚·本吉奥 (Yoshua Bengio)
《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写,是深度学习领域奠基性的经典教材。全书的内容包括3个部分:第1部分介绍基本的数学工具和机器学习的概念,它们是深度学习的预备知识;第2部分系统深入地讲解现今已成熟的深度学习方法和技术;第3部分讨论某些具有前瞻性的方向和想法,它们被公认为是深度学习未来的研究重点。《深度学习》适合各类读者阅读,包括相关专业的大学生或研究生,以及不具有机器学习或统计背景、但是想要快速补充深度学习知识,以便在实际产品或平台中应用的软件工程师。