分享《深度學習入門:基於Python的理論與實現》高清中文版PDF+原始碼

向AI轉型的程式設計師都關注了這個號👇👇👇

機器學習AI算法工程  公眾號： datayx

 loveai.tech

AI圖譜，一個全新的機器學習技術分享社區

原創作者在AI圖譜平臺上每成功發布一篇文章，通過審核後可獎勵人民幣30-50元不等，歡迎參與！

《深度學習入門:基於Python的理論與實現》

本書是深度學習真正意義上的入門書，深入淺出地剖析了深度學習的原理和相關技術。書中使用Python3，儘量不依賴外部庫或工具，從基本的數學知識出發，帶領讀者從零創建一個經典的深度學習網絡，使讀者在此過程中逐步理解深度學習。書中不僅介紹了深度學習和神經網絡的概念、特徵等基礎知識，對誤差反向傳播法、卷積神經網絡等也有深入講解，此外還介紹了深度學習相關的實用技巧，自動駕駛、圖像生成、強化學習等方面的應用，以及為什麼加深層可以提高識別精度等疑難的問題。

獲取方式：

郵箱註冊AI圖譜 https://loveai.tech 並激活帳號即可。

然後將將該郵箱發送給本公眾號(ID ： datayx)

附加贈送：

機器學習與數學基礎 視頻課程

目錄

前言
第1章 Python入門
1.1 Python是什麼
1.2 Python的安裝
1.3 Python解釋器
1.4 Python腳本文件
1.5 NumPy
1.6 Matplotlib
1.7 小結
第2章 感知機
2.1 感知機是什麼
2.2 簡單邏輯電路
2.3 感知機的實現
2.4 感知機的局限性
2.5 多層感知機
2.6 從與非門到計算機
2.7 小結
第3章 神經網絡
3.1 從感知機到神經網絡
3.2 激活函數
3.3 多維數組的運算
3.4 3層神經網絡的實現
3.5 輸出層的設計
3.6 手寫數字識別
3.7 小結
第4章 神經網絡的學習
4.1 從數據中學習
4.2 損失函數
4.3 數值微分
4.4 梯度
4.5 學習算法的實現
4.6 小結
第5章 誤差反向傳播法
5.1 計算圖
5.2 鏈式法則
5.3 反向傳播
5.4 簡單層的實現
5.5 激活函數層的實現
5.6 Affine/Softmax層的實現
5.7 誤差反向傳播法的實現
5.8 小結
第6章 與學習相關的技巧
6.1 參數的更新
6.2 權重的初始值
6.3 Batch Normalization
6.4 正則化
6.5 超參數的驗證
6.6 小結
第7章 卷積神經網絡
7.1 整體結構
7.2 卷積層
7.3 池化層
7.4 卷積層和池化層的實現
7.5 CNN的實現
7.6 CNN的可視化
7.7 具有代表性的CNN
7.8 小結
第8章 深度學習
8.1 加深網絡
8.2 深度學習的小歷史
8.3 深度學習的高速化
8.4 深度學習的應用案例
8.5 深度學習的未來

閱讀過本文的人還看了以下：

《21個項目玩轉深度學習：基於TensorFlow的實踐詳解》完整版PDF+附書代碼

《深度學習之pytorch》pdf+附書源碼

將機器學習模型部署為REST API

FashionAI服裝屬性標籤圖像識別Top1-5方案分享

重要開源！CNN-RNN-CTC 實現手寫漢字識別

yolo3 檢測出圖像中的不規則漢字

同樣是機器學習算法工程師，你的面試為什麼過不了？

前海徵信大數據算法：風險概率預測

【Keras】完整實現『交通標誌』分類、『票據』分類兩個項目，讓你掌握深度學習圖像分類

VGG16遷移學習，實現醫學圖像識別分類工程項目

特徵工程(一)

特徵工程(二) :文本數據的展開、過濾和分塊

特徵工程(三):特徵縮放,從詞袋到 TF-IDF

特徵工程(四): 類別特徵

特徵工程(五): PCA 降維

特徵工程(六): 非線性特徵提取和模型堆疊

特徵工程(七)：圖像特徵提取和深度學習

如何利用全新的決策樹集成級聯結構gcForest做特徵工程並打分？

Machine Learning Yearning 中文翻譯稿

螞蟻金服2018秋招-算法工程師（共四面）通過

全球AI挑戰-場景分類的比賽源碼(多模型融合)

斯坦福CS230官方指南：CNN、RNN及使用技巧速查（列印收藏）

python+flask搭建CNN在線識別手寫中文網站

中科院Kaggle全球文本匹配競賽華人第1名團隊-深度學習與特徵工程

不斷更新資源

深度學習、機器學習、數據分析、python

 搜索公眾號添加： datayx  

長按圖片，識別二維碼，點關注

訪問AI圖譜  

https://loveai.tech