歡迎光臨
每天分享高質量文章

Python好書有很多,這本卻不得不提!

2016年,Google 的 AlphaGo 擊敗了李世石,人工智慧大火。深度學習作為一種實現機器學習的方法,近 5 年來在人工智慧領域也取得了非凡進展。在圖像識別和語音轉錄的任務上,五年前的模型還幾乎無法使用,如今的模型的表現已經超越了人類。而這種突飛猛進的影響幾乎蔓延到所有行業。

為了給更多學習深度學習的小伙伴提供便利,圖靈今年出版了好幾本深度學習相關圖書。有日本全五星好評、銷量 10萬+ 的《深度學習入門》、圖解系列新成員《圖解深度學習》、TensorFlow 進階第一書《深入理解TensorFlow》等。當然市面上還有其他家出版社出版的一些深度學習經典圖書,比如花書、西瓜書。順便說一下,如果你覺得看這些書有點困難,建議你先看過《深度學習入門》,這本會為你深入研究深度學習起到鋪墊作用。

當然,在深度學習領域,還有一本書是不得不提的,它就是今天的主角—— Keras 之父、Google 人工智慧研究員 François Chollet 執筆的深度學習領域力作《Python深度學習》。這本書英文原版豆瓣評分 9.3,美亞 4.6 星評,收穫超多讀者好評。

——(文末有福利)——

首先,這本書中的代碼示例都使用 Python 深度學習框架 Keras,並用 TensorFlow 作為後端引擎。Keras 是最受歡迎且發展最快的深度學習框架之一,被廣泛推薦為上手深度學習的最佳工具。

其次,書中用代碼片段來解釋定量概念(包含 30 多個代碼示例,有詳細的註釋、實用的建議和簡單的解釋避免使用數學符號,幫你建立關於機器學習和深度學習核心思想的直覺。

最後,這本書還有一個偉大之處在於作者非常有吸引力,他使得本書非常可讀,如果你覺得英文版讀起來肝疼,那中文版可是不能錯過的!就連本書的編輯朱巍老師也不禁感嘆,大牛的這本書真是通俗易懂!

既然作者這麼厲害,他是何許人也呢?

圖片來自作者Twitter

作者領英上的介紹:

Author of Keras – keras.io – Keras is a leading deep learning framework for Python, with over 250,000 users and over 700 open-source contributors (as of mid-2018). Keras is in use at a considerable number of startups, research labs (including CERN, Microsoft Research, and NASA), and large companies such as Netflix, Yelp, Square, Uber, Google, etc. Keras has been chosen to serve as the high-level API of Google’s TensorFlow, coming bundled with it as of TensorFlow 1.2.

AI & deep learning researcher, author of papers accepted at major conferences such as CVPR, NIPS, ICLR, etc.

Author of the book “Deep learning with Python” (Manning Publications), with over 20,000 copies sold as of mid-2018.

Highest rank achieved on Kaggle: 17th (global).

Founder of Wysp – wysp.ws – Wysp is a social network and learning platform for artists with over 20,000 monthly active users as of mid-2016.

弗朗索瓦•肖萊(François Chollet)Keras 之父,TensorFlow 機器學習框架貢獻者,《Python深度學習》的作者,Kaggle 競賽教練,個人 Kaggle 競賽全球排名曾獲得第 17 名。Wysp 創始人。目前任職於 Google,從事人工智慧研究,尤其關註計算機視覺與機器學習在形式推理方面的應用。


反正讀完本書,什麼是深度學習、什麼時候該用深度學習,以及它的局限性你都會門兒清了。你還會學到解決機器學習問題的標準工作流程,以及使用 Keras 來解決從計算機視覺到自然語言處理等許多現實世界的問題,包括圖像識別、時間序列預測、情感分析、圖像和文字生成等。

話不多說!先來看這本書的詳解介紹。

第一部分 深度學習基礎


這部分是對深度學習的整體介紹,給出了一些背景和定義,還解釋了上手機器學習和神經網絡需要掌握的所有概念。一般深度學習的圖書也都會講解到,但是如果你之前沒有關於機器學習的經驗,我強烈建議你先讀完第一部分,然後再閱讀第二部分。

第 1 章主要介紹人工智慧、機器學習和深度學習的重要背景知識。

第 2 章介紹從事深度學習必須瞭解的基本概念:張量、張量運算、梯度下降和反向傳播。這一章還給出了本書第一個可用的神經網絡示例。

第 3 章講解了包括上手神經網絡所需要瞭解的全部內容:Keras 簡介,它是我們的首選深度學習框架;建立自己的工作站的指南;三個基本代碼示例以及詳細解釋。讀完這一章,小伙伴將能夠訓練簡單的神經網絡來處理分類任務和回歸任務,充分瞭解訓練過程背後發生的事情。

第 4 章介紹標準的機器學習工作流程。你會瞭解常見的陷阱及其解決方案。

第二部分 深度學習實踐


第二部分將深入介紹深度學習在計算機視覺和自然語言處理中的實際應用。這一部分給出了許多示例,對於在現實世界的實踐中遇到的深度學習問題,你可以用這些示例作為解決問題的模板。

第 5 章介紹了一系列實用的計算機視覺示例,重點放在圖像分類。

第 6 章介紹了處理序列資料(比如文本和時間序列)的實用技術。

第 7 章介紹了構建最先進深度學習模型的高級技術。

第 8 章介紹了生成式模型,即能夠創造圖像和文本的深度學習模型,它有時會產生令人驚訝的藝術效果。

第 9 章將幫你鞏固在本書學到的知識,還會探討深度學習的局限性及其未來的可能性。

好吧!用作者的話說這本書是為那些想要從零開始探索深度學習的人或想要拓展對深度學習的理解的人準備的。無論你是在職的機器學習工程師、軟體開發者還是大學生,都會從中找到有價值的內容哦~

Deep Learning with Python
作者:弗朗索瓦•肖萊
譯者:張亮(hysic)

  • Keras 之父、Google 人工智慧研究員 François Chollet 著作

  • 原版豆瓣評分 9.3,深度學習領域力作

  • 原版亞馬遜語音與音頻處理暢銷榜榜首圖書

  • 30 多個代碼示例,帶你全面掌握如何用深度學習解決實際問題

  • Keras 框架速成的不二之選

  • 夯實深度學習基礎,在實踐中培養對深度神經網絡的良好直覺

  • 無須機器學習經驗和高等數學背景

本書詳盡介紹了用 Python 和 Keras 進行深度學習的探索實踐,包括計算機視覺、自然語言處理、產生式模型等應用,示例步驟講解詳細透徹。立足於人工智慧的可達性和大眾化,讀者無須具備機器學習相關背景知識即可展開閱讀。在學習完本書後,讀者將具備搭建自己的深度學習環境、建立圖像識別模型、生成圖像和文字等能力。

譯者簡介

張亮(hysic):畢業於北京大學物理學院,愛好機器學習和資料分析的核安全工程師,譯有《Python資料處理》《Python機器學習基礎教程》等。

專業推薦

“本書在當前的‘人工智慧熱’和深度學習的本來面目之間架起了一座橋梁。”

——Peter Rabinovitch,雲平臺 Akamai 高級性能工程師

“本書是助你進階為 Keras 及深度學習高手的秘笈。”

——Claudio Rodriguez,IT服務公司 Candid Partners 高級 DevOps 工程師

“本書是我為華盛頓大學設計的一門深度學習課程所選的教材,非常實用。能夠直接得到 Keras 之父的建議真是一樁幸事。”

——Amazon.com 用戶 Eric Nichols



第一部分 深度學習基礎

第1章 什麼是深度學習  2

1.1 人工智慧、機器學習與深度學習  2

1.2 深度學習之前:機器學習簡史  11

1.3 為什麼是深度學習,為什麼是現在  15

第2章 神經網絡的數學基礎  20

2.1 初識神經網絡  20

2.2 神經網絡的資料表示  23

2.3 神經網絡的“齒輪”:張量運算  29

2.4 神經網絡的“引擎”:基於梯度的優化  36

2.5 回顧第一個例子  41

第3章 神經網絡入門  43

3.1 神經網絡剖析  43

3.2 Keras 簡介  46

3.3 建立深度學習工作站  49

3.4 電影評論分類:二分類問題  51

3.5 新聞分類:多分類問題  59

3.6 預測房價:回歸問題  66

第4章 機器學習基礎  74

4.1 機器學習的四個分支  74

4.2 評估機器學習模型  76

4.3 資料預處理、特征工程和特征學習  80

4.4 過擬合與欠擬合  83

4.5 機器學習的通用工作流程  89

第二部分 深度學習實踐

第5章 深度學習用於計算機視覺  94

5.1 捲積神經網絡簡介  94

5.2 在小型資料集上從頭開始訓練一個捲積神經網絡  102

5.3 使用預訓練的捲積神經網絡  115

5.4 捲積神經網絡的可視化  130

第6章 深度學習用於文本和序列   147

6.1 處理文本資料  147

6.2 理解迴圈神經網絡  162

6.3 迴圈神經網絡的高級用法  172

6.4 用捲積神經網絡處理序列  188

第7章 高級的深度學習最佳實踐   196

7.1 不用Sequential模型的解決方案:Keras 函式式API  196

7.2 使用Keras回呼函式和TensorBoard來檢查並監控深度學習模型  210

7.3 讓模型性能發揮到極致  219

第8章 生成式深度學習   226

8.1 使用LSTM生成文本  227

8.2 DeepDream  235

8.3 神經風格遷移  241

8.4 用變分自編碼器生成圖像  249

8.5 生成式對抗網絡簡介  257

第9章 總結   265

9.1 重點內容回顧  265

9.2 深度學習的局限性  273

9.3 深度學習的未來  277

9.4 瞭解一個快速發展領域的最新進展  281

9.5 結束語  282

掃一掃,京東購

掃一掃,噹噹購


文末福利

送出 3 本《Python深度學習》,小伙伴說說入門深度學習你目前還欠缺什麼技能?除了深度學習的相關圖書,還需要補充哪些方面的知識?精選留言選出 3 位獲得贈書。截止2018.9.7。


☟ 閱讀原文】噹噹6.9折購買新書《Python深度學習》

赞(0)

分享創造快樂