基本信息
- 出版社 : 机械工业出版社; 第1版 (2018年9月28日)
- 出版日期 : 2018年9月1日
- 品牌 : 北京华章图文信息有限公司
- 语言 : 简体中文
- 文件大小 : 26475 KB
- 纸书页数 : 599页
- 吴茂贵 (作者)
- 下载格式：azw3、epub、mobi
内容简介
在机器学习、深度学习中有很多抽象的概念、复杂的算法、深奥的理论，如Numpy的广播机制、神经网络中的共享参数、动量优化法、梯度消失或爆炸等，这些内容如果只用文字来描述，可能很难达到茅塞顿开的效果，但如果用一些图形来展现，再加上适当的文字说明，往往能取得非常好的效果，正所谓一张好图胜过千言万语。
前言
前言
为什么写这本书
人工智能新时代学什么？我们知道，Python是人工智能的首选语言，深度学习是人工智能的核心，而TensorFlow是深度学习框架中的No.1。所以我们在本书中将这三者有机结合，希望借此把这些目前应用最广、最有前景的工具和算法分享给大家。
人工智能新时代如何学？市面上介绍这些工具和深度学习理论的书籍已有很多，而且不乏经典大作，如讲机器学习理论和算法的有周志华老师的《机器学习》；介绍深度学习理论和算法的有伊恩·古德费洛等编著的《深度学习》；介绍TensorFlow实战的有黄文坚、唐源编著的《TensorFlow实战》、山姆·亚伯拉罕等编著的《面向机器智能的TensorFlow实践》等。这些都是非常经典的大作，如果你对机器学习、深度学习、人工智能感兴趣的话，这些书均值得一读。
本书在某些方面或许无法和它们相比，但我觉得也会有不少让你感到满意，甚至惊喜的地方。本书的特点具体包括以下几个方面。
1.内容选择：提供全栈式的解决方案
深度学习涉及范围比较广，既有对基础、原理的一些要求，也有对代码实现的要求。如何在较短时间内快速提高深度学习的水平？如何尽快把所学运用到实践中？这方面虽然没有捷径可言，但却有方法可循。本书基于这些考量，希望能给你提供一站式解决方案。具体内容包括：机器学习与深度学习的三大基石(线性代数、概率与信息论及数值分析)；机器学习与深度学习的基本理论和原理；机器学习与深度学习的常用开发工具(Python、TensorFlow、Keras等)，此外还有TensorFlow的高级封装及多个综合性实战项目等。
2.层次安排：找准易撕口、快速实现由点到面的突破
我们打开塑料袋时，一般从易撕口开始，这样即使再牢固的袋子也很容易打开。面对深度学习这个“牢固袋子”，我们也可采用类似方法，找准易撕口。如果没有，就创造一个易撕口，通过这个易撕口，实现点到面的快速扩展。本书在介绍很多抽象、深奥的算法时采用了这种方法。我们知道BP算法、循环神经网络是深度学习中的两块硬骨头，所以在介绍BP算法时，先介绍单个神经如何实现BP算法这个易撕口，再延伸到一般情况；在介绍循环神经网络时，我们也以一个简单实例为易撕口，再延伸到一般情况。希望通过这种方式，能帮助你把难题化易、把大事化小、把不可能转换为可能。
3.表达形式：让图说话，一张好图胜过千言万语
在机器学习、深度学习中有很多抽象的概念、复杂的算法、深奥的理论，如Numpy的广播机制、神经网络中的共享参数、动量优化法、梯度消失或爆炸等，这些内容如果只用文字来描述，可能很难达到茅塞顿开的效果，但如果用一些图形来展现，再加上适当的文字说明，往往能取得非常好的效果，正所谓一张好图胜过千言万语。
除了以上谈到的三个方面，为了帮助大家更好理解、更快掌握机器学习、深度学习这些人工智能的核心内容，本书还包含了其他方法。我们希望通过这些方法或方式带给你不一样的理解和体验，使抽象数学不抽象、深度学习不深奥、复杂算法不复杂，这或许就是我们写这本书的主要目的。
至于人工智能(AI)的重要性，想必不用多说了。如果说2016年前属于摆事实论证的阶段，那么2016年后已进入事实胜于雄辩的阶段了，而2018年后应该属于撸起袖子加油干的阶段。目前各行各业都忙于AI+，给人“忽如一夜春风来，千树万树梨花开”的感觉！
本书特色
要说特色的话，就是上面谈到的几点，概括来说就是：把理论原理与代码实现相结合；找准切入点，从简单到一般，把复杂问题简单化；图文并茂使抽象问题直观化；实例说明使抽象问题具体化。希望通过阅读本书，能给你带来新的视角、新的理解。
读者对象
·对机器学习、深度学习感兴趣的广大在校学生、在职人员。
·对Python、TensorFlow感兴趣，并希望进一步提升的在校学生、在职人员。
如何阅读本书
本书共22章，按照“基础→应用→扩展”的顺序展开，分为三个部分。
第一部分(第1～5章)为Python和应用数学基础部分：第1章介绍Python和TensorFlow的基石Numpy；第2章介绍深度学习框架的鼻祖Theano；第3～5章介绍机器学习、深度学习算法应用数学基础，包括线性代数、概率与信息论、概率图等内容。
第二部分(第6～20章)为深度学习理论与应用部分：第6章为机器学习基础，也是深度学习基础，其中包含很多机器学习的经典理论和算法；第7章为深度学习理论及方法；第8~10章介绍TensorFlow基于CPU、GPU版本的安装及使用，TensorFlow基础，TensorFlow的一些新API，如Dataset API、Estimator API等(基于TensorFlow1.6版本)；第11～15章为深度学习中神经网络方面的模型及TensorFlow实战案例；第16章介绍TensorFlow的高级封装，如Keras、Estimator、TFLearn等内容；第17～20章为TensorFlow综合实战案例，包括图像识别、自然语言处理等内容。
第三部分(第21～22章)为扩展部分：介绍强化学习、生成式对抗网络等内容。
勘误和支持
书中代码和数据的下载地址为//www.feiguyunai.com。由于笔者水平有限，加之编写时间仓促，书中难免出现错误或不准确的地方，恳请读者批评指正。你可以通过QQ(1715408972)给我们反馈，也可以加入QQ交流群(763746291)进行交流，非常感谢你的支持和帮助。
致谢
在本书编写过程中，得到很多同事、朋友、老师和同学的支持！感谢张粤磊、张魁、刘未昕等负责后台环境的搭建和维护工作。感谢博世的王红星、上海理工管理学院的郁明敏，在百忙中挤出时间帮忙审稿；感谢上海交大慧谷的程国旗老师、东方易通的杨易老师、容大培训的童金浩老师、赣南师大的许景飞老师等对我们的支持和帮助！
感谢机械工业出版社的杨福川老师、李艺老师给予本书的大力支持和帮助。
最后，感谢我的爱人赵成娟，在繁忙的教学之余帮助审稿，提出不少改进意见或建议。
吴茂贵
精彩书摘
NumPy是Python的基础，更是数据科学的通用语言，而且与TensorFlow关系密切，所以我们把它列为第一章。
NumPy为何如此重要？实际上Python本身含有列表(list)和数组(array)，但对于大数据来说，这些结构有很多不足。因列表的元素可以是任何对象，因此列表中所保存的是对象的指针。这样为了保存一个简单的[1，2，3]，都需要有3个指针和3个整数对象。对于数值运算来说，这种结构显然比较浪费内存和CPU计算时间。至于array对象，它直接保存数值，和C语言的一维数组比较类似。但是由于它不支持多维，也没有各种运算函数，因此也不适合做数值运算。
NumPy(Numerical Python的简称)的诞生弥补了这些不足，它提供了两种基本的对象：ndarray(N-dimensional array object)和ufunc(universal function object)。ndarray是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。
NumPy的主要特点：
·ndarray，快速，节省空间的多维数组，提供数组化的算术运算和高级的广播功能。
·使用标准数学函数对整个数组的数据进行快速运算，而不需要编写循环。
·读取/写入磁盘上的阵列数据和操作存储器映像文件的工具。
·线性代数，随机数生成，以及傅里叶变换的能力。
·集成C、C++、Fortran代码的工具。
在使用NumPy之前，需要先导入该模块：
import numpy as np
本章主要内容如下：
·如何生成NumPy的ndarray的几种方式。
·如何存取元素。
·如何操作矩阵。
·如何合并或拆分数据。
·简介NumPy的通用函数。
·简介NumPy的广播机制。
NumPy封装了一个新的数据类型ndarray，一个多维数组对象，该对象封装了许多常用的数学运算函数，方便我们进行数据处理以及数据分析，那么如何生成ndarray呢？这里我们介绍生成ndarray的几种方式，如从已有数据中创建；利用random创建；创建特殊多维数组；使用arange函数等。
