小編告訴您一個好消息，有一本最新的深度學習入門書即將要與您見面。喜歡深度學習的朋友們可以關注一下。

深度學習 案例精粹（Deep Learning By Example）

• 使用TensorFlow框架，輕鬆理解深度學習算法
• 包含大量案例，快速動手實現深度學習任務
• 可下載配套源碼+彩圖文件。

本書是一本深度學習方面的入門書籍，適合那些想要深入瞭解深度學習並且動手實現它的讀者閱讀。閱讀本書，不要求讀者具有機器學習、複雜統計學和線性代數等方面的背景知識。

本書結構

第 1 章解釋數據科學或者機器學習的定義，即在事先沒有被告知或者編程的情況下，機器從數據集中學習知識的能力。例如，要編寫一個可以識別數字的程序非常困難，該程序以手寫數字作為輸入圖像，輸出該圖像所代表的是 0～9 的哪個數字。同樣地，要判斷收到的郵件是不是垃圾郵件這樣的分類任務也是很困難的。為了解決這樣的任務，數據科學家使用一些數據科學、機器學習領域的學習方法和工具，通過給機器一些能夠區分每個數字的可解釋特徵來教會計算機如何自動識別數字。對於垃圾郵件分類問題也是如此，我們能夠通過特定的算法教會計算機如何判斷一封郵件是不是垃圾郵件，而不是使用傳統的正則化表達式並編寫數百條規則來對收到的郵件進行分類。

第 2 章討論線性模型——數據科學領域的基本學習算法。理解線性模型如何工作對於學習數據科學的過程至關重要，因為它是大多數複雜學習算法（包括神經網絡）的基本構建模塊。

第 3 章介紹模型的複雜性和評估方法。這對構建成功的數據科學系統非常重要。有很多工具可以用來評估和選擇模型，本章將討論一些工具，通過添加更多描述性特徵並從現有數據中提取有用信息，這些工具有助於你提高數據的價值。同樣地，本章也會討論與最優數量特徵有關的其他工具，並解釋為什麼“有大量的特徵卻只有很少量的訓練樣本/觀測值”會是一個問題。

第 4 章概述使用最廣泛的深度學習框架之一——TensorFlow。它在社區的支持度很高，而且在日益增長，這對於構建複雜的深度學習應用來說是一個很好的選擇。

第 5 章解釋 TensorFlow 背後的主要計算概念——計算圖模型，並演示如何通過實現線性迴歸和邏輯迴歸模型讓讀者慢慢走上正軌。

第 6 章解釋前饋神經網絡（Feed-forward Neural Network，FNN），FNN 是一種特殊類型的神經網絡，其中神經元之間的連接不構成環。因此，它與本書後續將要研究的神經網絡中的其他結構（如循環類型神經網絡）不同。FNN 是一種廣泛使用的架構，而且它是第一個類型最簡單的神經網絡。本章將會介紹一種典型的 FNN 架構，並且使用TensorFlow 中的庫來實現它。在講完了這些概念之後，本章會給出一個數字分類的實際例子。例如，給定一組包含手寫數字的圖像，如何將這些圖像分為 10 個（即 0～9）不同的類別？

第 7 章討論數據科學中的卷積神經網絡（Convolutional Neural Network，CNN），CNN是一種特殊的深度學習架構，該架構使用卷積運算從輸入圖像中提取相關的可解釋特徵。把很多 CNN 層連接起來作為 FNN，同時通過這種卷積運算來模擬人腦在識別物體時是怎樣工作的。每個皮層神經元對受限區域空間（也稱為感受野）中的刺激做出反應。特別地，生物醫學成像問題有時會難以解決，但在本章中，你將可以看到如何使用 CNN來識別圖像中的這些模式。

第 8 章介紹 CNN 背後的基礎知識和直覺/動機，並在可用於物體檢測的最流行的數據集之一上進行演示。同樣地，你將會看到 CNN 前面的一些層如何提取關於物體的一些基本特徵，而最後的卷積層將會提取到更多的語義級特徵，這些特徵都是從前幾層的基本特徵中構建而來的。‘

第 9 章討論遷移學習（Transfer Learning，TL），遷移學習是數據科學中研究的一個問題，主要涉及在解決特定任務時不斷獲取知識並使用這些已獲得的知識來解決另一個不同但相似的任務。本章將展示數據科學領域中一種使用 TL 的現代實踐和常見主題。這裡的想法是在處理具有較小數據集的領域時，如何從具有非常大的數據集的領域中來獲得幫助。最後，本章將重新探討 CIFAR-10 目標檢測示例，並嘗試使用 TL 來縮短訓練時間和減小性能誤差。

第 10 章介紹循環神經網絡（Recurrent Neural Network，RNN），RNN 是一類廣泛應用於自然語言處理（Natural Language Processing，NLP）的深度學習架構。這套架構使我們能夠為當前預測提供上下文信息，並且還具有處理任何輸入序列中長期依賴性的特定架構。本章將會演示如何構建一個序列到序列的模型，這對於 NLP 中的許多應用都是很有用的。這裡將通過建立一個字符級語言模型來闡述這些概念，並且展示模型如何產生和原始輸入序列相似的句子。

第 11 章解釋了機器學習是一門主要基於統計學和線性代數的科學。由於反向傳播算法，應用矩陣運算在大多數機器學習或深度學習架構中都非常普遍。這也是深度學習（機器學習）在總體上只以實數值作為輸入的主要原因。事實上，這和很多的應用相矛盾，如機器翻譯、情感分析等，它們以文本作為輸入。因此，為了在這個應用中使用深度學習，我們需要以深度學習所接受的方式進行處理。本章將會介紹表徵學習領域，這是一種從文本中學習實值表示方式的方法，同時保留實際文本的語義。例如，love 的表示方式應該和 adore 的表示方式十分接近，因為它們都會在非常相似的語境中使用。

第 12 章討論了自然語言處理中一個熱門和流行的應用，即所謂的情感分析。現在大多數人通過社交媒體平臺來表達他們對某事的看法，所以對於公司甚至政府來說，利用這些海量文本來分析用戶對某事的滿意度是非常重要的。在本章中，將使用 RNN 來構建一個情感分析解決方案。

第 13 章介紹自編碼器網絡，它是當下使用最廣泛的深度學習架構之一。它主要用於高效解碼任務的無監督學習，也可以用於通過學習特定數據集的編碼或者表示方式來降維。本章將使用自編碼器展示如何通過構建具有相同維度但噪聲更小的另一個數據集，來對當前數據集進行去噪。為了在實踐中使用這個概念，這裡將會從 MNIST 數據集中提取重要的特徵，並嘗試以此來觀察性能是如何顯著提高的。

第 14 章討論生成對抗網絡（Generative Adversarial Network，GAN）。這是一種由兩個彼此對抗的網絡（因此有了名字中的對抗）組成的深度神經網絡架構。2014 年，IanGoodfellow 和包括 Yoshua Benjio 在內的其他研究人員在蒙特利爾大學的一篇論文（見arxiv 官網）中介紹了 GAN。提到 GAN，Facebook 的 AI 研究總裁 Yann Lecun 稱對抗訓練是機器學習過去 10 年中最有趣的想法。GAN 潛力巨大，因為它可以學習模仿任何的數據分佈。也就是說，在諸如圖像、音樂、語言和文本等任何領域可以訓練 GAN 以創造與我們類似的世界。從某種意義上說，它們是機器人藝術家，它們的輸出（見 nytimes官網）令人印象深刻同時也使人們受到鼓舞。

第 15 章指出我們能夠使用 GAN 來實現非常多有趣的應用。本章將展示 GAN 的另一個有前景的應用，即基於 CelebA 數據庫的人臉生成，並且演示如何將 GAN 用於建立那種對於數據集標記不準確或者缺少標記的半監督學習模型。

附錄 A 包括魚類識別示例的所有代碼。

看完本書結構有沒有一點動心，各大網店頁面已有，可以自行搜索。

目錄結構

• 第1章　數據科學——鳥瞰全景 1
• 第2章　數據建模實戰——“泰坦尼克號”示例　27
• 第3章　特徵工程與模型複雜性——重溫“泰坦尼克號”示例　49
• 第4章　TensorFlow入門實戰　82
• 第5章　TensorFlow基礎示例實戰　102
• 第6章　深度前饋神經網絡——實現數字分類　131
• 第7章　卷積神經網絡　149
• 第8章　目標檢測——CIFAR-10示例　175
• 第9章　目標檢測——CNN遷移學習　196
• 第10章 循環神經網絡——語言模型　220
• 第11章 表示學習——實現詞嵌入　244
• 第12章 神經網絡在情感分析中的應用　265
• 第13章 自動編碼器——特徵提取和降噪　289
• 第14章 生成對抗網絡　312
• 第15章 面部生成與標籤缺失處理　329
• 附錄A　實現魚類識別　360