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。
本文来自果味果冻投稿,不代表电子书资源网立场,如若转载,请联系原作者获取。