中文版新书《动手学深度学习》pdf免费分享

2018 年 12 月 2 日 深度学习与NLP

    几乎所有的深度学习教材资源都是英文版的,这对于很多国内学习深度学习的朋友来说是一个艰难的挑战。今天就推荐一本中文版的深度学习教材《动手学深度学习》该教材由,亚马逊应用科学家,美国伊利诺伊大学香槟分校计算机科学博士,阿斯顿·张;亚马逊首席(principal)科学家,美国卡内基梅隆大学计算机系博士,李沐;亚马逊应用科学家,美国卡内基梅隆大学助理教授,加州大学圣迭戈分校计算机科学博士,扎卡里 C. 立顿,联合编写


    文末付本书免费pdf下载地址。


内容简介

    本书⾯向希望了解深度学习,特别是对实际使⽤深度学习感兴趣的⼤学⽣、⼯程师和研究⼈员。本书并不要求你有任何深度学习或者机器学习的背景知识,我们将从头开始解释每⼀个概念。虽然深度学习技术与应⽤的阐述涉及了数学和编程,但你只需了解基础的数学和编程,例如基础的线性代数、微分和概率,以及基础的 Python 编程。


本书内容⼤体可以分为三部分:
    • 第⼀部分(第 1 章⾄第 3 章)涵盖预备⼯作和基础知识。第 1 章介绍了深度学习的背景和本书的使⽤⽅法。第 2 章提供了动⼿学深度学习所需要的预备知识,例如如何获取并运⾏书中的代码。第 3 章包括了深度学习最基础的概念和技术,例如多层感知机和模型正则化。如果你时间有限,并且只希望了解深度学习最基础的概念和技术,那么你只需阅读第⼀部分。
    • 第⼆部分(第 4 章⾄第 6 章)关注现代深度学习技术。第 4 章描述了深度学习计算的各个重要组成部分,并为之后实现更复杂的模型打下基础。第 5 章解释了近年来令深度学习在计算机视觉领域⼤获成功的卷积神经⽹络。第 6 章阐述了近年来常⽤于处理序列数据的循环神经⽹络。阅读第⼆部分有助于掌握现代深度学习技术。
    • 第三部分(第 7 章⾄第 10 章)讨论计算性能和应⽤。第 7 章评价了各种⽤来训练深度学习模型的优化算法。第 8 章检验了影响深度学习计算性能的⼏个重要因素。第 9 章和第 10 章分别列举了深度学习在计算机视觉和⾃然语⾔处理中的重要应⽤。这部分内容可供你根据兴趣选择阅读。


    本书基本架构如下图所示: 

本书目录

本书下载地址

公众号“深度学习与NLP”回复“dlch18”获取

往期精品内容推荐

近似推理与深度生成模型-Danilo J. Rezende

DeepMind-1123-深度学习与强化学习高阶课程分享(带中英文字幕)

<论文分享> NLP领域最新论文分享-1123

吴恩达-中文完整版《Mechine Learning Yearning》分享

人工智能/深度学习近30年发展简史-Yoshua Bengio

10月最新-深度强化学习圣经-《Reinforcement Learning-第二版》

C++深度学习工程挑战-这可能是你最需要的

全局语义语境能改善神经语言模型吗?

Geoffrey Hinton-AI的革命与未来

深度学习介绍:理论、用例与工具

合成注意力推理神经网络-Christopher Manning-ICLR2018

深度学习实战-从源码解密AlphGo Zero背后基本原理

《纯干货》2018-2019年国际AI会议最全信息整理分享

一文告诉你Adam、AdamW、Amsgrad区别和联系,助你实现Super-convergence的终极目标

扫描下方二维码可以订阅哦!

DeepLearning_NLP

深度学习与NLP

       商务合作请联系微信号:lqfarmerlq

点赞 0

In today's digital age in the dawning era of big data analytics it is not the information but the linking of information through entities and actions which defines the discourse. Any textual data either available on the Internet off off-line (like newspaper data, Wikipedia dump, etc) is basically connect information which cannot be treated isolated for its wholesome semantics. There is a need for an automated retrieval process with proper information extraction to structure the data for relevant and fast text analytics. The first big challenge is the conversion of unstructured textual data to structured data. Unlike other databases, graph databases handle relationships and connections elegantly. Our project aims at developing a graph-based information extraction and retrieval system.

点赞 0
阅读1+

The state-of-the-art performance of deep learning algorithms has led to a considerable increase in the utilization of machine learning in security-sensitive and critical applications. However, it has recently been shown that a small and carefully crafted perturbation in the input space can completely fool a deep model. In this study, we explore the extent to which face recognition systems are vulnerable to geometrically-perturbed adversarial faces. We propose a fast landmark manipulation method for generating adversarial faces, which is approximately 200 times faster than the previous geometric attacks and obtains 99.86% success rate on the state-of-the-art face recognition models. To further force the generated samples to be natural, we introduce a second attack constrained on the semantic structure of the face which has the half speed of the first attack with the success rate of 99.96%. Both attacks are extremely robust against the state-of-the-art defense methods with the success rate of equal or greater than 53.59%.

点赞 0
阅读1+
Top