Thâm độ học tập đích 16 đường khóa: CNN + RNN + GAN + DQN + DRL, khán đắc đổng, học đắc hội, tố đắc xuất!

Part01 thâm độ học tập giản giới － tòng ứng dụng diện khán khởi

Ch01 sinh vật thị giác dữ cơ khí thị giác (Biological and Machine Vision)
1.1 sinh vật thị giác (Biological Vision)
1.2 cơ khí thị giác (Machine Vision)
1.3 thượng TensorFlow Playground võng trạm thể nghiệm thâm độ học tập
1.4 thượng hạn thời đồ nha (Quick Draw!) võng trạm thể nghiệm tức thời đích thâm độ học tập vận toán năng lực
1.5 tổng kết

Ch02 dụng cơ khí xử lý tự nhiên ngữ ngôn (Natural Language Processing)
2.1 thâm độ học tập + tự nhiên ngữ ngôn xử lý
2.2 tương ngữ ngôn lượng hóa
2.3 Google Duplex đích tự nhiên ngữ ngôn công lực
2.4 tổng kết

Ch03 cơ khí nghệ thuật (Machine Arts): Đối kháng thức sinh thành võng lộ (Generative Adversarial Network) khái thuật
3.1 đối kháng thức sinh thành võng lộ đích nguyên khởi
3.2 kinh do “Kế toán” sinh thành giả đích nhân kiểm
3.3 phong cách chuyển di (Style transfer) – CycleGAN
3.4 tương tự kỷ thủ hội đích đồ nha chuyển hoán thành chiếu phiến – cGAN
3.5 bằng văn tự tự thuật tựu sinh thành nghĩ chân đồ phiến – StackGAN
3.6 sử dụng thâm độ học tập tiến hành ảnh tượng xử lý
3.7 tổng kết

Ch04 du hí đối cục (Game-Playing Machines): Alpha Go, DQN (Deep Q Network), RL (Reinforcement Learning) khái thuật
4.1 cường hóa thức học tập (Reinforcement Learning)
4.2 thâm độ cường hóa thức học tập (Deep Reinforcement Learning)
4.3 thâm độ cường hóa thức học tập đích ứng dụng ( nhất ): Điện tử du hí
4.4 thâm độ cường hóa thức học tập đích ứng dụng ( nhị ): Kỳ bàn loại du hí
4.5 thâm độ cường hóa thức học tập tại chân thật thế giới đích ứng dụng: Thao khống vật thể
4.6 thường dụng đích thâm độ cường hóa thức học tập mô nghĩ hoàn cảnh
4.7 tổng kết

Part02 thâm độ học tập đích hạch tâm khái niệm - thần kinh võng lộ (Neural Network)

Ch05 tiên động thủ thật tác! 5 hành trình thức thể nghiệm thần kinh võng lộ mô hình
5.1 thục tất Google Colab chấp hành hoàn cảnh
5.2 dụng tf.Keras sáo kiện kiến lập thiển tằng thần kinh võng lộ
5.3 tổng kết

Ch06 thần kinh võng lộ đích cơ sở: Nhân công thần kinh nguyên hòa kích hoạt hàm sổ
6.1 nhận thức sinh vật thần kinh võng lộ
6.2 tối tảo kỳ đích thần kinh nguyên: Cảm tri khí (Perceptron)
6.3 thần kinh nguyên đích kích hoạt hàm sổ (Activation Function)
6.4 kích hoạt hàm sổ đích tuyển trạch
6.5 tổng kết

Ch07 đa thần kinh nguyên tổ thành đích thần kinh võng lộ
7.1 thâu nhập tằng (Input Layer)
7.2 mật tập tằng (Dense Layer)
7.3 dụng mật tập thần kinh võng lộ biện thức nhiệt cẩu bảo
7.4 dụng mật tập thần kinh võng lộ tố đa cá tốc thực đích phân loại
7.5 hồi cố đệ 5 chương đích phạm lệ trình thức
7.6 tổng kết

Ch08 huấn luyện thâm độ thần kinh võng lộ
8.1 tổn thất hàm sổ (Loss Function)
8.2 tạ do huấn luyện nhượng ngộ soa trị tối tiểu hóa
8.2.1 thê độ hạ hàng pháp (Gradient Descent)
8.2.2 học tập suất (Learning rate)
8.2.3 phê thứ lượng (Batch-Size) dữ tùy cơ thê độ hạ hàng pháp (SGD)
8.2.4 tòng cục bộ tối tiểu trị (Local Minimum) thoát ly
8.3 phản hướng truyện bá (Back Propagation)
8.4 quy hoa ẩn tàng tằng dữ các tằng thần kinh nguyên đích sổ lượng
8.5 phạm lệ: Kiến cấu đa tằng thần kinh võng lộ
8.6 tổng kết

Ch09 cải thiện thần kinh võng lộ đích huấn luyện thành hiệu
9.1 quyền trọng sơ thủy hóa (Weight Initialization)
9.2 giải quyết thê độ bất ổn định đích vấn đề
9.3 tị miễn quá độ phối thích (Overfitting) đích kỹ xảo
9.4 sử dụng các chủng ưu hóa khí (Optimizer)
9.5 thật tác: Dụng tf.Keras kiến cấu thâm độ thần kinh võng lộ
9.6 cải thí thí hồi quy (Regression) phạm lệ
9.7 dụng TensorBoard thị giác hóa phán độc huấn luyện kết quả
9.8 tổng kết

Part03 thâm độ học tập đích tiến giai kỹ thuật

Ch10 cơ khí thị giác thật chiến diễn luyện - CNN (Convolutional Neural Network)
10.1 quyển tích thần kinh võng lộ (CNN)
10.2 trì hóa tằng (Pooling Layer)
10.3 CNN thật tác phạm lệ ( dụng tf.Keras trọng hiện LeNet-5 kinh điển giá cấu )
10.4 tiến giai đích CNN kỹ thuật ( dụng tf.Keras trọng hiện AlexNet dữ VGGNet giá cấu )
10.5 tàn soa thần kinh võng lộ (Residual Network)
10.6 cơ khí thị giác đích các chủng ứng dụng
10.7 tổng kết

Ch11 tự nhiên ngữ ngôn xử lý thật chiến diễn luyện ( nhất ): Tư liêu dự xử lý, kiến lập từ hướng lượng không gian
11.1 tự nhiên ngữ ngôn tư liêu đích dự xử lý
11.2 dụng word2vec kiến lập từ hướng lượng không gian
11.3 tổng kết

Ch12 tự nhiên ngữ ngôn xử lý thật chiến diễn luyện ( nhị ): Dụng mật tập thần kinh võng lộ, CNN kiến lập NLP mô hình
12.1 tiền trí tác nghiệp
12.2 tiến hành giản đan đích tư liêu dự xử lý
12.3 dụng mật tập thần kinh võng lộ khu phân chính bình, phụ bình
12.4 dụng CNN mô hình khu phân chính bình, phụ bình
12.5 tổng kết

Ch13 tự nhiên ngữ ngôn xử lý thật chiến diễn luyện ( tam ): RNN tuần hoàn thần kinh võng lộ
13.1 RNN tuần hoàn thần kinh võng lộ
13.2 LSTM ( trường đoản kỳ ký ức thần kinh võng lộ )
13.3 song hướng LSTM (Bi-LSTMs)
13.4 dĩ “Hàm sổ thức API” kiến cấu phi tự liệt thức NLP mô hình
13.5 tổng kết

Ch14 nghệ thuật sinh thành thật chiến diễn luyện - GAN (Generative Adversarial Network)
14.1 GAN đích cơ bổn khái niệm
14.2 《 hạn thời đồ nha! 》 tư liêu tập
14.3 kiến cấu giam biệt khí (Discriminator) thần kinh võng lộ
14.4 kiến cấu sinh thành khí (Generator) thần kinh võng lộ
14.5 kết hợp sinh thành khí dữ giam biệt khí, kiến cấu đối kháng thức sinh thành võng lộ
14.6 huấn luyện GAN
14.7 tổng kết

Ch15 du hí đối cục thật chiến diễn luyện - DRL (Deep Reinforcement Learning), DQN (Deep Q Network)
15.1 cường hóa thức học tập (Reinforcement Learning) đích cơ bổn khái niệm
15.2 DQN đích cơ bổn khái niệm
15.3 kiến cấu DQN đại lý nhân
15.4 dữ OpenAI Gym hoàn cảnh hỗ động
15.5 DQN dĩ ngoại đích đại lý nhân huấn luyện phương thức
15.6 tổng kết

Part04 AI dữ nhĩ

Ch16 đả tạo tự kỷ đích thâm độ học tập chuyên án
16.1 tham tác phương hướng
16.2 tấn thăng canh cao giai đích chuyên án
16.3 mô hình kiến cấu lưu trình kiến nghị
16.4 nhuyễn thể 2.0 (Software 2.0)
16.5 thông dụng nhân công trí tuệ (AGI) đích tiến triển
16.6 tổng kết

Phụ lục A sử dụng Google đích Colab vân đoan khai phát hoàn cảnh