百度網盤

連結：https://pan.baidu.com/s/1WOAfraS5Y56247A8oDUPgg

提取碼：pfo3

複製這段內容後開啟百度網盤手機App，操作更方便哦

內容簡介  · · · · · ·

本書由Keras之父、現任Google人工智慧研究員的弗朗索瓦•肖萊（François Chollet）執筆，詳盡介紹了用Python和Keras進行深度學習的探索實踐，涉及計算機視覺、自然語言處理、生成式模型等應用。書中包含30多個程式碼示例，步驟講解詳細透徹。由於本書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、建立影象識別模型、生成影象和文字等能力。

目錄  · · · · · ·

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
1.1.1　人工智慧　　3
1.1.2　機器學習　　3
1.1.3　從資料中學習表示　　4
1.1.4　深度學習之“深度”　　6
1.1.5　用三張圖理解深度學習的工作原理　　7
1.1.6　深度學習已經取得的進展　　9
1.1.7　不要相信短期炒作　　9
1.1.8　人工智慧的未來　　10
1.2　深度學習之前：機器學習簡史　　11
1.2.1　概率建模　　11
1.2.2　早期神經網路　　11
1.2.3　核方法　　12
1.2.4　決策樹、隨機森林與梯度提升機　　13
1.2.5　回到神經網路　　14
1.2.6　深度學習有何不同　　14
1.2.7　機器學習現狀　　15
1.3　為什麼是深度學習，為什麼是現在　　15
1.3.1　硬體　　16
1.3.2　資料　　17
1.3.3　演算法　　17
1.3.4　新的投資熱潮　　17
1.3.5　深度學習的大眾化　　18
1.3.6　這種趨勢會持續嗎　　18
第2章　神經網路的數學基礎　　20
2.1　初識神經網路　　20
2.2　神經網路的資料表示　　23
2.2.1　標量（0D張量）　　23
2.2.2　向量（1D張量）　　24
2.2.3　矩陣（2D張量）　　24
2.2.4　3D張量與更高維張量　　24
2.2.5　關鍵屬性　　25
2.2.6　在Numpy中操作張量　　26
2.2.7　資料批量的概念　　27
2.2.8　現實世界中的資料張量　　27
2.2.9　向量資料　　27
2.2.10　時間序列資料或序列資料　　28
2.2.11　影象資料　　28
2.2.12　視訊資料　　29
2.3　神經網路的“齒輪”：張量運算　　29
2.3.1　逐元素運算　　30
2.3.2　廣播　　31
2.3.3　張量點積　　32
2.3.4　張量變形　　34