Python deep learning cookbook

本書共22章，分為三個部分。第一部分(第1～5章)為Python及應用數學基礎部分，介紹Python和TensorFlow的基石Numpy，深度學習框架的鼻祖Theano，以及機器學習、深度學習算法應用數學基礎等內容。第二部分(第6～20章)為深度學習理論與應用部分，介紹機器學習的經典理論和算法，深度學習理論及方法，TensorFlow基於CPU、GPU版本的安裝及使用、TensorFlow基礎、

深度學習正日益深刻地滲入我們的生活，從建議內容到在任務關鍵型和安全關鍵型應用中發揮核心作用，其影響無所不在。然而，隨著這些算法影響力的逐漸擴大，人們對於依賴這些算法的系統安全性和魯棒性的擔憂也日益加劇。簡言之，傳統的深度學習方法往往難以察覺自身的知識邊界，即它們“不知其所不知”。貝葉斯深度學習(Bayesian Deep Learning，BDL)領域包含一系列利用深度網絡進行近似貝葉斯推理的方法。這些方法通過揭示模型對其預測結果的置信度，增強了深度學習系統的魯棒性，使我們能夠更謹慎地將模型預測融入實際應用中。《Python貝葉斯深度學習》將引領你踏入迅速發展的不確定性感知深度學習領域，助你深入理解不確定性估計在構建魯棒性的機器學習系統中的重要價值。你將學習多種流行的BDL方法，並通過涵蓋多種應用場景的Python實用示例來掌握這些方法的實現技巧。讀完本書後，你將深刻理解BDL及其優勢，並能夠為更安全、更魯棒的深度學習系統開發貝葉斯深度學習模型。主要內容：● 了解貝葉斯推理和深度學習的優缺點● 了解貝葉斯神經網絡(Bayesian Neural Network，BNN)的基本原理● 了解主要貝葉斯神經網絡實現/近似之間的差異● 了解生產環境中概率深度神經網絡的優勢● 在Python代碼中實現各種貝葉斯深度學習方法● 運用貝葉斯深度學習方法解決實際問題● 學習如何評估貝葉斯深度學習方法並為特定任務選擇最佳方法● 在實際深度學習應用中處理“分布外”數據

本書的第1章從深度學習相關的基本概念開始，介紹了典型的神經網絡結構和各種層的設計特點，然後對深度學習中常見的數據集進行了介紹，*後對數據預處理和數據集的劃分進行了細緻的闡述。第2章是與深度神經網絡調試相關的通用技巧，主要涉及到如何解決遇到的問題，包括排查錯誤、結果檢查、選擇激活函數、正則化和Dropout、訓練參數設置等技巧。第3章到第15章以實際例子的形式，介紹深度學習在文本處理、圖像處理、音樂

特色1. 數據處理和數據分析並重。針對金融大數據結構複雜、數據源和格式變換大的特點，充分講述SAS軟件DATA步強大的數據處理功能，強化金融數據處理內容。2. 將SAS數據分析能力強和R和Python靈巧和業界流行的特點相結合，建立融合SAS和R及Python的數據處理和分析教材構架，進行教學大綱、授課教案到教材、案例集和習題集等課程要件建設。3. 以《金融計量經濟學》為知識依托，以海通證券金融工程部、天風證券金融工程部、等有名券商量化金融策略為具體案例內容，以權益（股票）市場和債券（固定收益）市場為主要應用領域，以日數據（daily data）為主、高頻日內數據（intraday data）為輔，建立從數據搜集到數據清理、從投資組合到交易策略和算法交易等金融量化方法的教學案例。創新點1. 填補國內教材空白。作為一款權威的數據處理和統計分析軟件，多年來SAS在國內（尤其是銀行系統）得到了廣泛應用。已出版的教材多以操作和數據處理編程為主，針對金融數據處理和分析的書籍並不多見，尤其講解金融數據分析的SAS過程步（Proc step）的教材難以見到。本教材擬對分析金融時間序列的SAS過程進行詳細和全面的介紹，充分揭示SAS在處理和分析金融時間序列數據上的優勢，填補國內教材空白。2.SAS Viya平臺介紹和R、Python的軟件融合。SAS Viya 2016年推出以來，得到了很快的發展，出現了基於SAS Viya 云分析服務CAS的很多應用，國內一些金融機構也採用了SAS Viya構建自己的數據分析平臺。但國內介紹SAS Viya的書很少，沒有發現介紹利用SAS Viya中的ACTION進行金融數據分析的書籍。對SAS Viya的介紹以及利用SAS Viya中的Econometrics8.4 ACTION、Visal Statistical Analysis ACTION、Deep Learning ACTION等進行金融數據處理和分析的內容，是本教材的創新之處。

《深度學習原理與PyTorch實戰》按照從理論到實踐，從實踐到創造的順序講解深度學習領域的知識與技術，代碼翔實，公式簡單易懂。 《深度學習原理與PyTorch實戰》第1章介紹深度學習的概念和目前的形勢，第2章介紹Python編程語言基礎，第3章使用Python語言計算極限、導數、級數等數學問題，第4章講解深度學習的基本原理與PyTorch框架的基本使用，第5章和第6章詳細講述經典網絡結構CNN和

本書以自上而下和自下而上的方法來展示針對不同領域實際問題的深度學習解決方案，包括圖像識別、自然語言處理、時間序列預測和機器人操縱等。還討論了採用諸如TensorFlow、PyTorch、Keras和CNTK等流行的深度學習開源框架用於實際問題的解決方案及其優缺點。本書內容包括：用於深度學習的編程環境、GPU計算和雲端解決方案；前饋神經網絡與卷積神經網絡；循環與遞歸神經網絡；強化學習與生成對抗網絡；