深度學習（影印版） [Deep Learning] 下載 mobi epub pdf 電子書 2025

簡體網頁||繁體網頁

☆☆☆☆☆

Josh，Patterson 著

圖書標籤:

• 深度學習
• 機器學習
• 神經網絡
• 人工智能
• 模式識彆
• Python
• TensorFlow
• Keras
• PyTorch
• 計算機視覺

齣版社： 東南大學齣版社

ISBN：9787564175160

版次：1

商品編碼：12319836

包裝：平裝

外文名稱：Deep Learning

開本：16開

齣版時間：2018-02-01

用紙：膠版紙

內容簡介

在引入開源Deeplearning4j（DL4J）庫用於開發産品級工作流之前，作者Josh Patterson和Adam Gibson介紹瞭深度學習——調優、並行化、嚮量化及建立管道——任何庫所需的基礎知識。通過真實的案例，你將學會在Spark和Hadoop上用DL4J訓練深度網絡架構並運行深度學習工作流的方法和策略。

* 深入機器學習一般概念，特彆是深度學習相關概念
* 理解深度網絡如何從神經網絡基礎演化
* 探索主流深度網絡架構，包括Convolutional和Recurrent
* 學習如何將特定的深度網絡映射到具體的問題
* 一般神經網絡和特定深度網絡架構調優基礎概覽
* 為不同的數據類型使用DL4J的工作流工具DateVec實現嚮量化
* 學習如何在Spark和Hadoop本地使用DL4J

作者簡介

Josh Patterson目前是Skymind的現場工程副總裁。他此前曾在Cloudera擔任高級解決方案架構師，在Tennessee Valley Authority擔任機器學習和分布式係統工程師。

Adam Gibson是Skymind的CTO。Adam曾與財富500強企業、對衝基金、公關公司和創投加速器等機構閤作，創建它們的機器學習項目。他在幫助這些公司處理和闡釋大規模實時數據方麵頗具深厚經驗。

精彩書評

（這本書包含瞭）開發者所需知道的關於真實世界中深度學習如何起步的一切。

—— Grant Ingersoll （Lucidworks的CTO）

目錄

Preface
1. A Review of Machine Learning
The Learning Machines
How Can Machines Learn?
Biological Inspiration
What Is Deep Learning?
Going Down the Rabbit Hole
Framing the Questions
The Math Behind Machine Learning： Linear Algebra
Scalars
Vectors
Matrices
Tensors
Hyperplanes
Relevant Mathematical Operations
Converting Data Into Vectors
Solving Systems of Equations
The Math Behind Machine Learning： Statistics
Probability
Conditional Probabilities
Posterior Probability
Distributions
Samples Versus Population
Resampling Methods
Selection Bias
Likelihood
How Does Machine Learning Work?
Regression
Classification
Clustering
Underfitting and Overfitting
Optimization
Convex Optimization
Gradient Descent
Stochastic Gradient Descent
Quasi-Newton Optimization Methods
Generative Versus Discriminative Models
Logistic Regression
The Logistic Function
Understanding Logistic Regression Output
Evaluating Models
The Confusion Matrix
Building an Understanding of Machine Learning

2. Foundations of Neural Networks and Deep Learning.
Neural Networks
The Biological Neuron
The Perceptron
Multilayer Feed-Forward Networks
Training Neural Networks
Backpropagation Learning
Activation Functions
Linear
Sigmoid
Tanh
Hard Tanh
Softmax
Rectified Linear
Loss Functions
Loss Function Notation
Loss Functions for Regression
Loss Functions for Classification
Loss Functions for Reconstruction
Hyperparameters
Learning Rate
Regularization
Momentum
Sparsity

3. Fundamentals of Deep Networks
4. Major Architectures of Deep Networks
5. Building Deep Networks
6. Tuning Deep Networks
7. Tuning Specific Deep Networks Architecture
8. Vectorization
9. Using Deep Learning and DL4J on Spark
A. What Is Artificial Intelligence?
B. RL4J and Reinforcement Learning
C. Numbers Everyone Should Know
D. Neural Networks and Backpropagation： A Mathematical Approach
E. Using the ND4J API

《智識之潮：揭秘信息時代的知識生産與傳播》 內容簡介： 信息時代，我們正以前所未有的速度被海量信息所裹挾。從社交媒體上的碎片化觀點，到學術期刊中的嚴謹論證，再到新聞報道的實時更新，知識的生産和傳播已然形成瞭一股洶湧的智識之潮，深刻地改變著我們的認知方式、決策過程，乃至整個社會的運作模式。本書並非聚焦於某一種特定的技術或學科，而是旨在深入探討這場波瀾壯闊的智識革命的本質、驅動力、影響以及我們應如何與之共處。 第一章：智識的裂變：從工業文明到信息文明 本章將帶領讀者迴溯曆史的長河，審視人類文明的幾次重大轉型，特彆是工業革命如何奠定瞭大規模生産和標準化知識的基礎，以及信息革命又是如何打破這一格局，帶來瞭知識生産和傳播的去中心化、個性化和即時性。我們將剖析從印刷術到互聯網，再到移動互聯和大數據時代的知識傳播媒介的演進，理解這些技術革新如何在結構上重塑瞭知識的形態和流動。我們將探討“知識精英”與“大眾”之間的界限如何逐漸模糊，信息鴻溝的形成與彌閤，以及在信息爆炸的背景下，個體如何從被動的信息接收者轉變為主動的知識建構者。我們將通過曆史案例，如古騰堡印刷術對宗教改革和科學革命的推動作用，以及互聯網如何催生齣維基百科、開源社區等新型知識形態，來佐證智識形態的演變。 第二章：知識生産的新引擎：眾包、眾創與協作的時代 信息時代最顯著的特徵之一，便是知識生産的民主化和參與性。本章將深入剖析“眾包”（Crowdsourcing）和“眾創”（Crowds-creation）等新模式如何顛覆瞭傳統的知識生産機製。我們將考察不同領域的實踐案例，例如開源軟件的開發模式如何通過全球社區的協作，産生齣強大的技術力量；維基百科如何匯聚全球誌願者的智慧，構建齣龐大而持續更新的知識庫；在綫教育平颱如何讓知識的傳播和再創造變得更加便捷和普惠。本章還將探討眾包和眾創對傳統學術研究、內容生産、甚至藝術創作的潛在影響，以及如何設計和管理這些參與式知識生産項目，以激發個體的創造力，並確保知識的質量和可靠性。我們將討論激勵機製、質量控製、版權歸屬等議題，為理解和運用這些新興模式提供理論框架和實踐指導。 第三章：算法的審視：信息過濾、個性化推薦與認知偏差 隨著數據量的爆炸式增長，算法已成為信息時代過濾、組織和分發知識的核心力量。本章將聚焦於算法在信息傳播中的雙重角色：一方麵，它極大地提高瞭信息獲取的效率，實現瞭個性化推薦，滿足瞭用戶的多樣化需求；另一方麵，算法也可能帶來“信息繭房”、“迴聲室效應”等問題，加劇認知固化和群體極化。我們將深入探討推薦算法的工作原理，分析其在社交媒體、新聞聚閤、電商平颱等場景下的應用，並揭示算法可能存在的偏見及其對用戶認知和行為的潛在影響。本章還將探討如何提升算法的透明度和可解釋性，以及個體應如何培養批判性思維，以應對算法帶來的挑戰，做齣更明智的信息選擇。我們將引用關於社交媒體算法如何影響政治議程的學術研究，以及用戶如何通過調整設置來打破信息繭房的實踐建議，以期幫助讀者更理性地認識算法。 第四章：知識的邊界：跨學科融閤、交叉創新與知識的重組 信息時代的知識流動性大大增強，不同學科、不同領域之間的界限日益模糊，跨學科的融閤與交叉創新成為推動智識進步的重要驅動力。本章將探討這種“知識的重組”現象，分析不同學科知識如何在新的技術和應用場景下發生碰撞、融閤，並催生齣全新的研究方嚮和創新成果。我們將考察人工智能與生物醫學的結閤在基因測序和藥物研發上的突破；大數據分析在社會科學、經濟學、環境科學等領域的廣泛應用；以及設計思維、用戶體驗等概念如何跨越技術和商業的界限，重塑産品和服務。本章將強調培養“T型人纔”的重要性，即在某一領域擁有深厚的專業知識，同時具備跨學科的視野和能力。我們將通過介紹一些在跨學科研究領域取得突破性進展的團隊和項目，來展示知識融閤的巨大潛力，並啓發讀者思考如何在自己的領域內尋求跨界閤作的機會。 第五章：數字時代的學習：終身學習、微認證與技能的重塑 信息時代的快速發展要求個體必須不斷更新知識和技能，以適應不斷變化的工作環境和社會需求。“終身學習”不再是一個口號，而是一種生存的必需。本章將探討數字時代學習的新模式和新趨勢。我們將分析在綫學習平颱（MOOCs）的興起及其對傳統教育的挑戰，探討微認證（Micro-credentials）如何幫助個體快速獲得特定技能，以及新興的“遊戲化學習”、“沉浸式學習”等技術如何提升學習的趣味性和有效性。本章還將討論在海量信息中篩選齣有價值的學習內容，以及如何構建有效的個人知識管理係統。我們將引用關於成年人學習心理學的研究，以及一些成功人士分享的終身學習經驗，來為讀者提供可行的學習策略。 第六章：知識的倫理與治理：信息真實性、隱私保護與責任邊界 在信息洪流奔湧的同時，知識的倫理和治理問題也日益凸顯。本章將深入探討信息時代的知識倫理挑戰。我們將關注“假新聞”的泛濫及其對社會信任的侵蝕，探討如何辨彆信息真僞，以及平颱和個人在傳播信息時應承擔的責任。同時，我們將討論個人數據隱私在信息收集和分析過程中的重要性，以及如何平衡數據利用與隱私保護之間的關係。本章還將觸及人工智能倫理、算法偏見治理等前沿問題，探討如何在技術發展的同時，構建更加公平、透明和負責任的知識生態係統。我們將引用關於社交媒體內容審核機製的討論，以及數據隱私保護法規的案例，來強調倫理規範在信息時代的重要性。 第七章：駕馭智識之潮：個人與社會的應對之道 麵對洶湧而來的智識之潮，個人和社會都需要積極探索有效的應對策略。本章將總結前文的論述，並提齣麵嚮未來的思考。對於個人而言，我們將強調培養批判性思維、信息素養、終身學習能力和跨界整閤能力的重要性。對於社會而言，我們將探討如何構建更健康、更包容的知識傳播生態，如何通過教育改革適應信息時代的需求，以及如何利用技術創新解決社會問題，而非被技術所奴役。本章將鼓勵讀者反思自身在智識之潮中的位置，並思考如何成為一個更具智慧、更具適應力、更能為社會貢獻價值的信息時代公民。我們將以一些前瞻性的社會發展理念和個人成長模型為藍本，為讀者描繪一個積極主動的未來圖景。 《智識之潮：揭秘信息時代的知識生産與傳播》是一次對我們所處時代的深度觀察和理性剖析。它旨在為讀者提供一個更廣闊的視野，幫助我們理解信息時代知識的復雜性，洞察其背後的驅動力，並最終找到駕馭這股強大智識之潮的方法，從而在這個變革的時代中，成為知識的創造者、傳播者和智慧的實踐者。

評分☆☆☆☆☆

讀到《深度學習（影印版）》這個書名，我腦海中立刻浮現齣無數個關於人工智能的奇妙設想。我是一名對技術充滿熱情的工程師，平日裏喜歡動手實踐，將理論知識轉化為實際應用。雖然我並非科班齣身，但對於深度學習的熱情從未減退。我曾嘗試閱讀過一些網絡上的教程和博客，但總覺得有些不夠係統，也缺乏深度。這本書的齣現，給瞭我一個機會，去係統地、深入地學習這門強大的技術。我尤其看重“影印版”這三個字，它意味著我能夠接觸到最原始、最權威的知識，不受二次加工的影響。我期待書中能夠提供一些實用的編程指南，讓我能夠將學到的理論知識應用到實際項目中。比如，如何利用TensorFlow或PyTorch搭建和訓練深度學習模型，如何處理和預處理大規模數據集，以及如何評估和優化模型的性能。我相信，通過這本書的學習，我能夠提升自己的技術能力，更好地應對工作中遇到的挑戰，甚至為自己日後的創業打下堅實的基礎。

評分☆☆☆☆☆

這本書的名字叫做《深度學習（影印版）》，光是拿到手，那厚重的分量就足以讓人心生敬畏。封麵設計簡潔大氣，深邃的藍色背景，仿佛蘊含著無限的知識海洋，而“Deep Learning”幾個字，則如同一盞明燈，指引著我踏入這個令人著迷的領域。雖然我還沒有正式翻開它，但僅憑這第一印象，就足以激起我強烈的求知欲。我是一個在人工智能領域初露頭角的研究者，一直以來都對深度學習的強大能力感到驚嘆，並渴望能夠深入理解其背後的原理和精妙之處。這本書的齣版，對我來說無疑是雪中送炭，它提供的影印版，更是讓我能夠直接接觸到原汁原味的前沿知識，避免瞭翻譯過程中可能齣現的偏差和理解的損失。我迫不及待地想知道，書中會對神經網絡的各種架構進行怎樣的闡述，捲積神經網絡（CNN）在圖像識彆中的奧秘，循環神經網絡（RNN）處理序列數據的精巧設計，以及更深層次的優化算法和正則化技術，是否都會一一揭曉。我相信，這本書的深度和廣度，足以滿足我當前以及未來一段時間的學習需求，並為我未來的研究方嚮提供堅實的基礎和靈感的火花。

評分☆☆☆☆☆

作為一名對科技發展始終保持高度敏感的普通愛好者，《深度學習（影印版）》這本書，聽起來就像是揭開人工智能神秘麵紗的一把鑰匙。我平時喜歡關注科技新聞，對那些能夠改變世界的黑科技總是充滿瞭好奇。深度學習這個詞，齣現的頻率越來越高，也聽說瞭它在很多領域都取得瞭驚人的成就，但對於我這樣一個非專業人士來說，理解起來還是有些門檻。我希望這本書能夠用一種相對易懂的方式，嚮我解釋深度學習到底是什麼，它是如何工作的，以及它能夠做什麼。我不需要太過於專業的數學推導，但希望能夠理解其核心的邏輯和思想。如果書中能夠通過一些生動形象的比喻，或者有趣的案例來介紹復雜的概念，那將是再好不過的。我希望在讀完這本書後，能夠對深度學習有一個初步但清晰的認識，能夠明白那些在新聞中看到的人工智能應用，背後的原理是什麼。這本書，對我來說，更像是一扇窗戶，讓我能夠窺探到人工智能的廣闊天地，並對未來的科技發展充滿期待。

評分☆☆☆☆☆

我對《深度學習（影印版）》這部作品的期待，更多的是源於它所代錶的知識體係的完整性。在信息爆炸的時代，碎片化的知識獲取方式雖然便捷，但往往難以構建起一個係統的認知框架。這本書，以其“深度學習”為核心，很可能就是提供這樣一個係統性學習路徑的絕佳選擇。我一直對人工智能的未來發展充滿好奇，而深度學習無疑是當前推動這一領域進步的最核心的驅動力之一。想象一下，能夠清晰地理解那些驅動著自動駕駛汽車、智能語音助手、以及精準醫學診斷的底層算法，是多麼令人興奮的事情。我希望這本書能夠提供清晰的數學推導，嚴謹的理論闡述，並且輔以豐富的實例和代碼示例，這樣我纔能真正做到融會貫通，而不是僅僅停留在概念層麵。我特彆關注書中是否會深入探討一些新興的深度學習技術，比如Transformer模型在自然語言處理領域的革命性突破，或者生成對抗網絡（GAN）在圖像生成和風格遷移方麵的應用。如果書中能夠對這些前沿話題有所涉獵，那麼它的價值將不可估量，它將不僅僅是一本書，更可能成為我打開通往未來科技之門的一把金鑰匙。

評分☆☆☆☆☆

對於《深度學習（影印版）》這本書，我的興趣主要集中在其理論的嚴謹性和應用的廣度上。我是一位高校的教師，平時的工作不僅需要進行學術研究，還需要將最新的科研成果傳達給學生。深度學習作為當前人工智能領域最熱門的研究方嚮，其理論體係的建立和發展至關重要。我非常希望這本書能夠提供一套清晰、邏輯性強的理論框架，幫助我更好地理解和教授深度學習的相關知識。從數學基礎的引入，到各種模型的詳細解析，再到訓練技巧和模型評估的深入探討，我期望這本書能夠麵麵俱到，無所不包。同時，我也關注這本書是否會涉及一些在實際應用中取得顯著成果的案例，比如在計算機視覺、自然語言處理、推薦係統等領域的成功實踐。這些案例不僅能夠激發學生的學習興趣，也能夠讓他們更直觀地感受到深度學習的強大力量。我希望這本書能夠成為我教學和研究的有力工具，幫助我培養更多優秀的深度學習人纔，為人工智能的發展貢獻力量。

評分☆☆☆☆☆

比較實用的一本書，內容全麵

評分☆☆☆☆☆

好書，深度學習的新書，值得購買

評分☆☆☆☆☆

包裝紅色的好！

評分☆☆☆☆☆

好書，深度學習的新書，值得購買

評分☆☆☆☆☆

包裝紅色的好！

評分☆☆☆☆☆

包裝紅色的好！

評分☆☆☆☆☆

此用戶未填寫評價內容

評分☆☆☆☆☆

包裝紅色的好！

評分☆☆☆☆☆

最近喜歡屯動物書