深い学習（深い学習）ベースの機械学習を特徴付ける学習データの方法です。近年では、深い学習技術部門にあった、業界はますます広く使用されています。グローバル多様性データのすべての分野で蓄積し、コンピューティングリソースの速度はビジネスサービスを成熟すると、深い学習は、人工知能の最も効果的な方法となっています。
現在、音声認識の学習技術、画像分類、製品の推奨やその他のアプリケーションの深さは、インテリジェントな処理のレコードレベルを更新し続けています。しかし同時に、モデルを学習の深さを説明するのは難しい、パラメータチューニング難しく、大規模なトレーニングサイクルパラメータやその他の問題は、長い間、研究開発人員を悩ませてきました。
図書の多くは現代の導入深さの研究が、別の「深い学習の戦闘は、」本の視点は、それが包括的、実用的に焦点を当てています。O'REILLY出版社によって出版され、英語では「ディープ・学習戦闘」、機械工業Press発行の中国版、Douwe OsingaをGoogleで働いていた著者が、それは研究と研究とシニア専門家の実践の深さです。
本の詳細は表紙見るためにクリック
本では、すべての例は、Pythonで書かれており、コードのほとんどを達成するために、コードの各章では、ノートブックに配置する、優れたフレームワークKerasに依存している、あなたはダウンロードサイトから学ぶことができます。インスタンスの章では、技術のアプリケーションシナリオのための各章では、データ取得技術をはじめ、いくつかのヒントとの完全な章の対象データの可視化技術を踏襲しました。
テキスト処理場
単語が自然言語処理の基本的な方法に埋め込まれ、我々はその後、高次元空間を視覚化する方法を探るWord2vec第3章で単語の類似度を計算するために事前に訓練されたモデルに組み込まれた最初の単語を使用して、いくつかの興味深い数学的な性質が表示されます埋め込まれた単語の特定のフィールドWord2vecセマンティックプロパティをランク付け。
推奨されるシステムが広く、ビジネスで使用されている、それは以前に収集されたユーザデータに基づいて評価を訓練しました。私たちは、ウィキペディア発信リンク（出力リンク）に基づいて、単純な映画推薦システムを構築し、フィルムのスコアを予測するために、第4章のコメントで新しい組み込みトレーニングを使用します。
リカレントニューラルネットワークは、ニューラルネットワークの重要なクラスは、処理時間やシーケンスを得意とするテキスト処理アプリケーションの広い範囲で、我々はRNNが可視化のために類似した、第5章のテキストスタイルとしてシェイクスピアのテキストのスタイル、およびRNNの仕事を生成する使用されています。
スマート顧客サービスは、私たちは言葉を構築するためにスタックExchangeサイトからのデータを使用し、重要な要素は、第6章では、テキストマッチング問題である応答システムを、使用する全体の問題を埋め込み、その後、類似した文書や問題の外観を一致させるために埋め込まれたこれらのパンダを使用します。
ソーシャルネットワークの人々は、第7章では、該当する絵文字がお勧めする短いテキストを与えられて、私たちは、ベースラインパフォーマンスを詳しく説明するために、ベイズ分類器を使用して収集しつぶやきを達成するために、TwitterのAPIを使用し、また、コンボリューションモデルを記述しますモデルとチューニング方法の組み合わせ。
次に、第8章では、我々は古代の対話グーテンベルクプロジェクト（プロジェクト・グーテンベルク）19世紀の小説から抽出されたテキスト断片の間の変換のシーケンスを学習するニューラルネットワークを導入し、ボットを訓練するseq2seqツールキットを使用します。
画像処理
深学習技術は、画像認識、コンピュータビジョンの分野では比較的遠大な影響を生成します。画像分類タスクでは、ニューラルネットワークの層の数十（時には百以上の層）は、そのようなネットワークを訓練することは、優れた処理能力とトレーニング画像の膨大な量を必要とする、非常に効果的であることが証明されています。
第9章では、我々はどのように事前に訓練されたネットワークをロードするために（ネットワークが提供する5事前に訓練されたネットワークKerasの一つである）画像入力前に必要な、前処理の研究、ネットワークを実行する方法を推論の表示モードを紹介します。新しいタスクのための部分的な再研修も、他のデータ移行研究（転送学習）の概念を包含する。
Web検索では、マップモードを検索しようとする一部の人がかかる場合があります。第10章では、我々は例のグラフで画像を検索する検索エンジンを構築し、我々はデータウィキペディア（ウィキデータ）を照会する方法を研究し、ウィキペディアからの適切な基盤のフォトギャラリーを取得し始めました。その後、我々は、各ピクチャの事前割り当てトレーニングネットワークが使用され、我々は、グラフとチャートの表示との間の関係を視覚化する方法として、主成分分析（主成分分析、PCA）を検討します。
現実の世界では、私たちはしばしばでKerasでPythonのノートブックで最も先進的なの一つを再現するために、古典的な画像処理タスクである画像、だけでなく、研究の非常に活発な領域から情報を抽出するために、複数の対象物を検出する必要がありますアルゴリズムはより困難です。
第11章では、同じモデルに高速化RCNNトレーニング完了対象検出タスク、並行して高速化RCNNトレーニングエリアを使用するというだけでは地域問題の勧告を扱うよりも、訓練のための特徴マップ画像分類器をお勧めします。
使用计算机来“魔术”渲染图像很有趣，在第12章我们将探讨一些用于可视化展现卷积网络进行图像分类时所见内容的技术。
然后，我们将介绍尺度（octaves）、深度梦想（deep dreaming）技术、格拉姆矩阵（gram matrices）等，之后，我们进一步将这种技术应用于现有图像，并采用文森特·梵高的名画《星空》的绘画风格渲染照片，使用两种样式的图像渲染同一张图片，从而获得一个两种风格之间的渲染结果。
基于实例生成图像是一个热门的研究领域，在该领域中每月都会涌现出新想法和新突破。
在第13章，我们将研究一个略有局限性的领域：手绘草图，从Google的Quick Draw数据集开始着手，建立一个能够学习“猫属性”的自编码器模型。我们还研究条件变分自编码器（conditional variational autoencoders），它在训练时会考虑图像标签，因此能够以随机样式再现特定类的图像。
在线搜索“免费图标”可以得到很多搜索结果。但是，这些结果并不是真正免费的（即没有任何使用限制的免费使用），大部分结果只是让用户感觉好像不需要花钱。此外，你还不能免费地重用这些图标，并且通常情况下网站会强烈建议你购买它们。
因此，在第14章，我们使用条件变分自编码器、生成式对抗网络（generative adversarial network，GAN）、RNN三种深度网络生成图标，从如何下载、提取，并将图标处理成可使用的标准格式。
音乐处理
语音识别和语音合成技术使得亚马逊Alexa和GoogleHome成为可能，然而，语音处理任务实际上是在亚马逊、Google或苹果的数据中心运行的，因此我们还不认为这些是真正的深度学习试验。尽管Mozilla的深度语音（Deep Speech）已取得了令人瞩目的进步，建立最先进的语音识别系统还是十分困难的。
第15章关注的重点是音乐，我们从训练音乐分类器模型开始，该模型可以告诉我们正在听的是什么音乐。然后，我们使用模型结果建立本地MP3索引，使用Spotfy API建立公开播放列表语料库，并用该库建立音乐推荐系统。
最后，该书在第16章介绍了在实际生产系统中使用模型的内容，让模型在真实的服务器或移动设备上运行。
近年，全球人工智能研究机构、研究院相继成立，深度学习成为人工智能的核心必备工具。对于深度学习研究人员，特别是应用开发工程师而言，如何摆脱深度学习模型的“黑盒”困境、如何让深度学习模型设计更加简洁高效、如何将深度学习快速地应用到具体的业务领域，该书进行了详细的介绍及代码示例，在每个实例场景，作者还提供具有重要价值的实践经验提点。读者如果想要进一步了解相关内容，可以参阅该书相关部分。
认真学完本书，读者将具备或提高两种能力：一是掌握深度学习的Python代码设计；二是能够自行开发深度学习具体应用。
《深度学习实战》
作者：杜威·奥辛格
出版时间：2019年5月
扫码购买
推荐理由：
本书是一本聚焦深度学习实际应用的开发指南。作者曾是Google的软件工程师，对深度学习研究及实践有着丰富的积累。本书记录了作者从实际工作中总结出来的很多开发技巧， 不仅涵盖与深度神经网络调试相关的通用技巧，包括排查错误、检查结果、选择激活函数、正则化和Dropout、设置训练参数等技巧，还通过实际例子介绍深度学习在文本处理、图像处理、音乐处理等方面的技巧，而且还从实际使用的角度阐述如何在生产系统中部署机器学习应用，非常适合开发实际应用的深度学习工程师阅读和参考。
扫码购买
进入下方微信群找群主可以领取优惠券哦
使用优惠券购买更优惠哦
コードブックストアの運営スタッフ、私たちの「にあなたを招待しCSDNコードブック福祉グループ」、グループは、時間から時間にあなたを与えるだろう、書籍、クーポンに本をなど、推薦図書や物流情報があることはカウンセリングのグループでもご覧になれますああ入るようにコードをスキャン
2次元コードの有効期限が切れている場合は、マイクロ・シグナル「lxk1844」を追加してください、あなたはグループに引っ張っああ