摘要

适读人群 ：从业人员以及对算法、机器学习感兴趣的人群
《深度学习算法实践》以一位软件工程师在工作遇到的问题为主线，阐述了如何从软件工程的思维向算法思维转变，以及深度学习算法的概念与实践：比如在哪些场景下需要运用深度学习算法、如何将深度学习算法应用到任务中、提高工作效率？不仅如此，作者还结合程序员在工作中经常面临的产品需求，详细阐述了应该怎样从算法的角度来看待、分解需求，并结合经典的任务对深度学习算法做了清晰的分析：如何用RNN和CNN结合来提取深度文本特征？如何开始写一个Chatbot？如何在Chatbot中应用深度学习？强化学习为什么这么强大，它是万能的吗？强化学习可以用在什么地方？对于图形领域的深度网络来说，是否有通用的提高模型精度的方法？如何利用深度学习来预测股票的趋势？YouTube是如何推荐影片的，我们如何将YouTube的深度学习经验应用在推荐系统中……这些经典的应用案例，能让有志于学习深度学习的读者，快速地理解核心所在，并顺利地上手实践。

深度学习算法实践 作者：吴岸城

深度学习算法实践 出版社： 电子工业出版社

深度学习算法实践 内容简介

《深度学习算法实践》以一位软件工程师在工作中遇到的问题为主线，阐述了如何从软件工程思维向算法思维转变、如何将任务分解成算法问题，并结合程序员在工作中经常面临的产品需求，详细阐述了应该怎样从算法的角度看待、分解需求，并结合经典的任务对深度学习算法做了清晰的分析。

《深度学习算法实践》在表达上深入浅出，让有志于学习深度学习的读者，能够快速地理解核心所在，并顺利上手实践。

深度学习算法实践 目录

前言

1　开始

1.1　从传统的软件工程思维转型

1.2　建立算法思维

1.2.1　算法的开发流程

1.2.2　做算法的步骤

1.2.3　英特的总结

1.3　观察！观察！观察！重要的事情说三遍

2　文本分析实战

2.1　第一个文本问题

2.1.1　邮件标题的预处理

2.1.2　选用算法

2.1.3　用CNN做文本分类

2.2　情感分类

2.2.1　先分析需求

2.2.2　词法分析

2.2.3　机器学习

2.2.4　试试LSTM模型

2.3　文本深度特征提取

2.3.1　词特征表示

2.3.2　句子特征表示

2.3.3　深度语义模型

3　做一个对话机器人

3.1　理解人类提问

3.2　答案的抽取和选择

3.3　蕴含关系

3.4　生成式对话模型(Generative Model)

3.5　判断机器人说话的准确性

3.6　智能对话的总结和思考

4　视觉识别

4.1　从人脸识别开始

4.1.1　OpenCV能做什么

4.1.2　检测精度的进化：Dlib

4.1.3　表情识别：Openface

4.2　深度卷积网络

4.2.1　CNN 的演化过程1

4.2.2　深度卷积和更深的卷积

4.2.3　实现更深的卷积网络

4.2.4　残差网络的实现

4.2.5　十全大补药：通用的提高精度的方法

4.2.6　图像训练需要注意的地方

4.3　目标检测

4.3.1　用SSD来实现目标检测应用

4.3.2　SSD 训练源码提示

4.4　视觉领域的应用

4.4.1　艺术风格画

4.4.2　看图说话：用文字描述一幅图像(BiRNN+CNN)

4.4.3　CNN 的有趣应用：语音识别

5　强化学习实践

5.1　吃豆子和强化学习

5.2　马尔科夫决策过程

5.3　理解Q网络

5.4　模拟物理世界：OpenAI

5.5　实现一个DQN

5.5.1　DQN代码实现1

5.5.2　DQN 过程的图表化

5.6　关于强化学习的思考

5.6.1　强化学习的特殊性

5.6.2　知识的形成要素：记忆

5.6.3　终极理想：终身学习

6　预测与推荐

6.1　从Google的感冒预测说起

6.2　股票预测(一)

6.2.1　股票业务整理

6.2.2　数据获取和准备

6.2.3　模型搭建

6.2.4　优化

6.2.5　后续

6.3　股票预测(二)

6.4　深度学习在推荐领域的应用：Lookalike算法

6.4.1　调研

6.4.2　实现

6.4.3　结果

6.4.4　总结探讨

参考文献

深度学习算法实践 精彩文摘

然而，“机器能思考吗？”和“机器能做我们这些思考者所做的事吗？”这两个问题真的可以相互替代吗？

比如说，机器能够写诗，甚至比许多资质平庸的人写出的诗更像样子。如果我们人为拟定一套标准，来为机器和人写的诗打分，那么完全有可能设计出一台能够赢过绝大多数诗人的写诗机器。但这真的和人类理解并欣赏一首诗是一回事吗？再比如，人工智能在国际象棋、围棋领域已经比人类更强大，但这真正和人类思考如何下棋是一样的吗？

世界上有这么一个关于图灵测试的奖项——“勒布纳奖”，颁给擅长模仿人类真实对话场景的机器人。然而，这个奖项大多数的获得者都没有看上去那样智能。比如一个人问一台机器“你有多爱我？”，如果它想通过图灵测试，它就不停地顾左右而言他，比如回答“你觉得呢？”事实上大多数问题都可以用反问去替代，说白了这些仅仅是一些对话技巧。而获胜者并没有真正理解“你有多爱我？”这样的问题。

这里有句话，希望大家记住：人工智能的真实使命是塑造智能，而非去刻意打造为了通过某类随机测试的“专业”程序。

所幸到今天为止，很多学者都意识到了图灵测试的局限性，如果我们要发明人工智能，就要真正清楚地定义人工智能。同样如果我们要做智能对话，我们也要清晰地定义智能对话。