多年來，我們這些忠實(shí)地致力于研究機(jī)器學(xué)習(xí)的群體見證了這個(gè)領(lǐng)域的發(fā)展和繁榮，一些技術(shù)的產(chǎn)生令人驚嘆，甚至有望帶來徹底的社會(huì)變革。然而，對(duì)于那些想要加入我們來研究這一領(lǐng)域的人們而言，機(jī)器學(xué)習(xí)知識(shí)似乎有點(diǎn)令人望而生畏。當(dāng)然，網(wǎng)絡(luò)上的相關(guān)信息太多了，我們很難瀏覽所有的論文和代碼，為那些想要加入深度學(xué)習(xí)領(lǐng)域的人找到可靠的介紹性內(nèi)容。雖然市面上有很多關(guān)于機(jī)器學(xué)習(xí)知識(shí)的介紹性書籍，但大部分都不滿足那些特別想從事深度學(xué)習(xí)工作的人們的需求，而且要求讀者具備必要的、限度的數(shù)學(xué)和算法知識(shí)，以及一些必要的編程技能。
本書的目標(biāo)是幫助初學(xué)者建立強(qiáng)大的深度學(xué)習(xí)基礎(chǔ)，掌握使用眾所周知的方法建立深度學(xué)習(xí)模型所需要的基本概念。如果這個(gè)目標(biāo)聽上去符合你的需求，那么本書可能正是你所需要的。本書假定讀者先前沒有接觸過神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)，并從回顧深度學(xué)習(xí)所需要的機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)開始。然后，本書解釋了如何通過清洗和預(yù)處理數(shù)據(jù)為深度學(xué)習(xí)做準(zhǔn)備，隨后逐步介紹神經(jīng)網(wǎng)絡(luò)和流行的監(jiān)督神經(jīng)網(wǎng)絡(luò)架構(gòu)（如卷積神經(jīng)網(wǎng)絡(luò)（CNN，Convolutional Neural Network）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN，Recurrent Neural Network）和生成對(duì)抗網(wǎng)絡(luò)（GAN，Generative Adversarial Network））以及無監(jiān)督架構(gòu)（如自編碼器（AE）、變分自編碼器（VAE）和受限玻耳茲曼機(jī)（RBM））。在每一章的結(jié)尾，你將有機(jī)會(huì)測試你對(duì)概念的理解程度，并反思自己的成長過程。
在本書的后，你將理解深度學(xué)習(xí)的概念和秘訣，并將能夠分辨適用于特定任務(wù)的算法。
本書的目標(biāo)讀者
本書是為想要從深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)開始學(xué)習(xí)的、心懷抱負(fù)的數(shù)據(jù)科學(xué)家和深度學(xué)習(xí)工程師準(zhǔn)備的。本書不需要讀者事先接觸過深度學(xué)習(xí)或機(jī)器學(xué)習(xí)，當(dāng)然如果接觸過會(huì)更好。讀者只需要熟悉線性代數(shù)和Python編程就可以了。
本書是為珍惜時(shí)間、想要學(xué)到編程所需的深度學(xué)習(xí)要點(diǎn)的讀者準(zhǔn)備的。
如果不知道深度學(xué)習(xí)的基礎(chǔ)知識(shí)，那么它可能會(huì)讓你感到害怕。許多人因?yàn)椴焕斫釽eb上的術(shù)語或示例程序，所以感到很沮喪。這就導(dǎo)致了人們在選擇深度學(xué)習(xí)算法時(shí)可能會(huì)做出糟糕的決定，而且他們無法預(yù)見進(jìn)行這種選擇所產(chǎn)生的后果。因此，本書是為具有下列意圖的讀者準(zhǔn)備的：
重視獲得深度學(xué)習(xí)概念的良好定義。
想要使用結(jié)構(gòu)化的方法從頭開始學(xué)習(xí)深度學(xué)習(xí)。
渴望了解并真正理解深度學(xué)習(xí)的基本概念。
想知道如何預(yù)處理數(shù)據(jù)，以便在深度學(xué)習(xí)算法中使用。
對(duì)一些先進(jìn)的深度學(xué)習(xí)算法感到好奇。
本書的主要內(nèi)容
第1章　給出了機(jī)器學(xué)習(xí)的概述，不僅介紹了機(jī)器學(xué)習(xí)背后的動(dòng)機(jī)以及該領(lǐng)域常用的術(shù)語，還介紹了深度學(xué)習(xí)的基本概念以及它是如何適應(yīng)人工智能發(fā)展的。
第2章　講解如何配置TensorFlow和Keras深度學(xué)習(xí)開發(fā)平臺(tái)，并介紹它們在深度學(xué)習(xí)中的用途和目的。本章還簡要介紹了其他深度學(xué)習(xí)程序框架和程序庫，讓你能夠以一種低成本的方式熟悉它們。
第3章　介紹數(shù)據(jù)處理背后的主要概念，數(shù)據(jù)經(jīng)過處理后才能夠用在深度學(xué)習(xí)中。本章將涵蓋格式化分類以及實(shí)值輸出和輸入的基本概念，還將探索關(guān)于數(shù)據(jù)增強(qiáng)和降低數(shù)據(jù)維度的技術(shù)。
第4章　介紹深度學(xué)習(xí)理論中的基本概念，包括回歸和分類的性能度量以及過擬合的識(shí)別，還提供了一些關(guān)于超參數(shù)調(diào)優(yōu)的警告。
第5章　介紹神經(jīng)元的概念，并將其連接到感知機(jī)模型，該模型以簡單的方式從數(shù)據(jù)中學(xué)習(xí)。感知機(jī)模型是理解從數(shù)據(jù)中學(xué)習(xí)的基本神經(jīng)模型的關(guān)鍵，也可以用來處理線性不可分?jǐn)?shù)據(jù)。
第6章　通過使用多層感知機(jī)算法，讓你直面深度學(xué)習(xí)的個(gè)挑戰(zhàn)，例如基于誤差小化的梯度下降技術(shù)，以及實(shí)現(xiàn)模型泛化的超參數(shù)調(diào)優(yōu)。
第7章　通過解釋編碼層和解碼層的必要性來描述自編碼器模型，探索與自編碼器模型相關(guān)的損失函數(shù)，并將其應(yīng)用于降維問題和數(shù)據(jù)可視化。
第8章　介紹了深度信念網(wǎng)絡(luò)的概念和這種深度無監(jiān)督學(xué)習(xí)的含義，通過引入深層自編碼器并將它們與淺層自編碼器進(jìn)行對(duì)比來解釋這些概念。
第9章　介紹生成模型在無監(jiān)督深度學(xué)習(xí)領(lǐng)域背后的哲學(xué)，以及它們在生成抗噪聲魯棒模型中的重要性。在處理擾動(dòng)數(shù)據(jù)時(shí)，變分自編碼器是深度自編碼器的更好的替代方案。
第10章　通過介紹RBM來補(bǔ)充書中對(duì)深度信念模型知識(shí)的覆蓋。本章介紹了RBM的前后雙向傳播性質(zhì)，并與AE單向的前向傳播性質(zhì)進(jìn)行比較。本章分別使用RBM和AE模型實(shí)現(xiàn)對(duì)降維數(shù)據(jù)的可視化表示，并進(jìn)行了比較。
第11章　解釋深度神經(jīng)網(wǎng)絡(luò)和廣度神經(jīng)網(wǎng)絡(luò)在性能和復(fù)雜性上的差異，并在神經(jīng)元之間的連接方面引入了密集網(wǎng)絡(luò)和稀疏網(wǎng)絡(luò)的概念。
第12章　介紹卷積神經(jīng)網(wǎng)絡(luò)，從卷積運(yùn)算開始，然后講解集成卷積運(yùn)算層，從而學(xué)習(xí)可以對(duì)數(shù)據(jù)進(jìn)行操作的濾波器。本章后展示了如何可視化所學(xué)習(xí)的濾波器。
第13章　提出了基本的循環(huán)網(wǎng)絡(luò)的概念，揭示了它們的缺點(diǎn)，以說明長短時(shí)記憶模型的存在價(jià)值及其成功之處。本章還探討了序列模型在圖像處理和自然語言處理方面的應(yīng)用。
第14章　介紹了基于GAN模型的半監(jiān)督學(xué)習(xí)方法，它屬于對(duì)抗學(xué)習(xí)家族。本章解釋了生成器和判別器的概念，并討論了為什么對(duì)訓(xùn)練數(shù)據(jù)概率分布有良好的近似可以導(dǎo)致模型（例如，從隨機(jī)噪聲中產(chǎn)生數(shù)據(jù)）的成功。
第15章　簡要地展示了深度學(xué)習(xí)領(lǐng)域嶄新的、令人興奮的主題和機(jī)會(huì)。如果你想繼續(xù)學(xué)習(xí)，可以在這里找到Packt的其他資源，你可以使用這些資源在此領(lǐng)域繼續(xù)前進(jìn)。
如何充分利用本書
你需要確保自己的Web瀏覽器能夠連接到谷歌Colabs，網(wǎng)址是http://colab.research.google.com/。
雖然本書假設(shè)讀者沒有事先接觸過深度學(xué)習(xí)或機(jī)器學(xué)習(xí)，但是你必須熟悉一些線性代數(shù)知識(shí)和Python編程，以便充分利用本書。
為了確保與機(jī)器學(xué)習(xí)和深度學(xué)習(xí)Python庫的未來版本兼容，我們在本書的代碼包和GitHub庫中包含了一個(gè)使用!pip freeze指令生成的當(dāng)前版本列表。然而，這些只是為了參考和未來的兼容性，記住谷歌Colabs已經(jīng)具備了所有必要的設(shè)置。
你還可以在https://github.com/PacktPublishing/上從豐富的書籍和視頻目錄中獲得其他代碼包。去看看吧！同樣，庫的列表僅供參考，但谷歌Colabs上有的設(shè)置。
一旦你使用本書完成了學(xué)習(xí)之旅，先慶祝一下，然后再密切關(guān)注本書的后一章，它會(huì)為你指明新的方向。記住，永遠(yuǎn)堅(jiān)持學(xué)習(xí)，這是成功的關(guān)鍵之一。
下載示例代碼及彩色圖像
本書的示例代碼文件及彩色插圖，可以從www.packtpub.com/通過個(gè)人賬號(hào)下載，也可以訪問華章圖書官網(wǎng)http://www.hzbook.com，通過注冊并登錄個(gè)人賬號(hào)下載。
在代碼文件下載完畢之后，請(qǐng)確保使用下列版本的解壓縮軟件解壓或提取文件：
Windows系統(tǒng)：WinRAR/7-Zip
Mac系統(tǒng)：Zipeg/iZip/UnRarX
Linux系統(tǒng)：7-Zip/PeaZip
本書的代碼包也可以在GitHub上獲取，網(wǎng)址是https://github.com/PacktPublishing/Deep-Learning-for-Beginners。如果代碼有更新， GitHub存儲(chǔ)庫中的代碼也會(huì)更新。
本書的排版約定
代碼體：表示文本中的代碼、數(shù)據(jù)庫表名、文件夾名、文件名、文件擴(kuò)展名、路徑名、虛擬URL、用戶輸入和Twitter賬戶名。下面有一個(gè)例子：“潛在編碼器模型latent_ncdr和autoencoder模型中的predict()方法在指定的層上產(chǎn)生輸出�！�
代碼的示例如下：

當(dāng)我們需要讓你注意代碼塊的特定部分時(shí)，相關(guān)內(nèi)容會(huì)加粗：

命令行輸入與輸出的格式如下所示：

黑體：表示新的術(shù)語、重要的詞，或者屏幕上看到的詞（例如菜單或?qū)υ捒蛑械膯卧~）。這里有一個(gè)例子：“重要的是一個(gè)叫作雙曲正切的新激活函數(shù)�！�
表示警告或重要提示。
表示提示和技巧。