PaddlePaddle深度学习实战PDF|Epub|txt|kindle电子书版本网盘下载

PaddlePaddle深度学习实战PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 数学基础与Python库1

1.1 Python是进行人工智能编程的主要语言1

1.2 数学基础4

1.2.1 线性代数基础4

1.2.2 微积分基础8

1.3 Python库的操作17

1.3.1 numpy操作17

1.3.2 matplotlib操作23

本章小结27

第2章 深度学习概论与PaddlePaddle入门28

2.1 人工智能、机器学习与深度学习29

2.1.1 人工智能30

2.1.2 机器学习30

2.1.3 深度学习31

2.2 深度学习的发展历程32

2.2.1 神经网络的第一次高潮32

2.2.2 神经网络的第一次寒冬33

2.2.3 神经网络的第二次高潮34

2.2.4 神经网络的第二次寒冬35

2.2.5 深度学习的来临35

2.2.6 深度学习崛起的时代背景36

2.3 深度学习的应用场景36

2.3.1 图像与视觉37

2.3.2 语音识别37

2.3.3 自然语言处理38

2.3.4 个性化推荐38

2.4 常见的深度学习网络结构39

2.4.1 全连接网络结构39

2.4.2 卷积神经网络40

2.4.3 循环神经网络41

2.5 机器学习回顾41

2.5.1 线性回归的基本概念42

2.5.2 数据处理44

2.5.3 模型概览45

2.5.4 效果展示46

2.6 深度学习框架简介47

2.6.1 深度学习框架的作用47

2.6.2 常见的深度学习框架48

2.6.3 PaddlePaddle简介49

2.6.4 PaddlePaddle使用49

2.7 PaddlePaddle实现51

本章小结60

第3章 深度学习的单层网络61

3.1 Logistic回归模型62

3.1.1 Logistic回归概述62

3.1.2 损失函数64

3.1.3 Logistic回归的梯度下降66

3.2 实现Logistic回归模型71

3.2.1 Python版本72

3.2.2 PaddlePaddle版本81

本章小结90

第4章 浅层神经网络92

4.1 神经网络92

4.1.1 神经网络的定义及其结构92

4.1.2 神经网络的计算94

4.2 BP算法100

4.2.1 逻辑回归与BP算法101

4.2.2 单样本双层神经网络的BP算法101

4.2.3 多个样本神经网络BP算法105

4.3 BP算法实践108

4.3.1 Python版本109

4.3.2 PaddlePaddle版本116

本章小结122

第5章 深层神经网络123

5.1 深层网络介绍123

5.1.1 深度影响算法能力124

5.1.2 网络演化过程与常用符号125

5.2 传播过程127

5.2.1 神经网络算法核心思想127

5.2.2 深层网络前向传播过程128

5.2.3 深层网络后向传播过程129

5.2.4 传播过程总结130

5.3 网络的参数132

5.4 代码实现133

5.4.1 Python版本133

5.4.2 PaddlePaddle版本136

本章小结140

第6章 卷积神经网络141

6.1 图像分类问题描述141

6.2 卷积神经网络介绍142

6.2.1 卷积层142

6.2.2 ReLU激活函数147

6.2.3 池化层148

6.2.4 Softmax分类层149

6.2.5 主要特点151

6.2.6 经典神经网络架构152

6.3 PaddlePaddle实现159

6.3.1 数据介绍159

6.3.2 模型概览160

6.3.3 配置说明160

6.3.4 应用模型168

本章小结169

第7章 个性化推荐170

7.1 问题描述170

7.2 传统推荐方法171

7.2.1 基于内容的推荐172

7.2.2 协同过滤推荐173

7.2.3 混合推荐175

7.3 深度学习推荐方法176

7.3.1 YouTube的深度神经网络推荐系统176

7.3.2 融合推荐系统178

7.4 个性化推荐系统在PaddlePaddle上的实现180

7.4.1 数据准备180

7.4.2 模型配置182

7.4.3 模型训练184

7.4.4 模型测试188

本章小结188

第8章 个性化推荐的分布式实现190

8.1 PaddlePaddle Cloud介绍190

8.2 PaddlePaddle Cloud使用192

8.2.1 创建集群192

8.2.2 配置集群192

8.2.3 配置客户端193

8.3 个性化推荐在PaddlePaddle Cloud上的实现194

8.3.1 提交单节点任务194

8.3.2 个性化推荐在PaddlePaddleCloud上的实现196

本章小结199

第9章 广告CTR预估200

9.1 CTR预估简介200

9.1.1 CTR定义201

9.1.2 CTR与推荐算法的异同202

9.1.3 CTR预估的评价指标202

9.2 CTR预估的基本过程205

9.2.1 CTR预估的三个阶段206

9.2.2 CTR预估中的特征预处理206

9.3 CTR预估的常见模型208

9.3.1 LR模型208

9.3.2 GBDT模型210

9.3.3 GBDT＋LR模型212

9.3.4 FM＋DNN模型214

9.3.5 MLR模型215

9.4 CTR预估在工业上的实现217

9.5 CTR预估在PaddlePaddle上的实现218

9.5.1 数据集218

9.5.2 预测模型选择和构建219

9.5.3 PaddlePaddle完整实现222

本章小结226

第10章 算法优化227

10.1 基础知识227

10.1.1 训练、验证和测试集227

10.1.2 偏差和方差228

10.2 评估229

10.2.1 选定评估目标229

10.2.2 迭代过程230

10.2.3 欠拟合和过拟合230

10.3 调优策略231

10.3.1 降低偏差231

10.3.2 降低方差236

10.4 超参数调优242

10.4.1 随机搜索和网格搜索242

10.4.2 超参数范围243

10.4.3 分阶段搜索243

10.4.4 例子：对学习率的调整244

本章小结245