来源书籍
深度学习:从基础到实践(上下册)
章节与卡片
01 机器学习与深度学习入门
18 张卡片
- 机器学习从数据提取信息 理解等级:初级 普通读书笔记卡
- 规则系统与特征学习 理解等级:中级 普通读书笔记卡
- 样本特征和标签 理解等级:初级 普通读书笔记卡
- 学习率控制更新步幅 理解等级:中级 普通读书笔记卡
- 泛化需要未见数据 理解等级:中级 普通读书笔记卡
- 参数与超参数 理解等级:初级 普通读书笔记卡
- 损失引导模型更新 理解等级:中级 普通读书笔记卡
- 模型容量与资源代价 理解等级:中级 普通读书笔记卡
- 监督学习与标签 理解等级:初级 普通读书笔记卡
- 分类器的已知类别边界 理解等级:中级 普通读书笔记卡
- 回归预测数值 理解等级:初级 普通读书笔记卡
- 聚类发现相似样本 理解等级:初级 普通读书笔记卡
- 降噪减少数据失真 理解等级:初级 普通读书笔记卡
- 降维压缩数据表示 理解等级:中级 普通读书笔记卡
- 生成器产生新样本 理解等级:初级 普通读书笔记卡
- 强化学习的行动与反馈 理解等级:中级 普通读书笔记卡
- 深度网络的层级计算 理解等级:中级 普通读书笔记卡
- GPU并行加速训练 理解等级:初级 普通读书笔记卡
02 随机性与基础统计学
20 张卡片
- 均值中位数和众数 理解等级:初级 普通读书笔记卡
- 离散概率分布 理解等级:初级 普通读书笔记卡
- 概率密度与区间概率 理解等级:中级 普通读书笔记卡
- 伪随机种子与复现 理解等级:中级 普通读书笔记卡
- 随机变量与抽样 理解等级:中级 普通读书笔记卡
- 连续均匀分布 理解等级:初级 普通读书笔记卡
- 正态分布的位置与尺度 理解等级:中级 普通读书笔记卡
- 正态分布的三个区间 理解等级:中级 普通读书笔记卡
- 伯努利分布 理解等级:初级 普通读书笔记卡
- 类别分布与独热表示 理解等级:中级 普通读书笔记卡
- 理论期望与样本均值 理解等级:中级 普通读书笔记卡
- 独立性与同分布 理解等级:中级 普通读书笔记卡
- 有放回与无放回抽样 理解等级:中级 普通读书笔记卡
- 总体样本与估计 理解等级:初级 普通读书笔记卡
- Bootstrap估计不确定性 理解等级:中级 普通读书笔记卡
- 置信区间的重复抽样含义 理解等级:中级 普通读书笔记卡
- 特征向量与高维空间 理解等级:初级 普通读书笔记卡
- 协方差描述共同变化 理解等级:中级 普通读书笔记卡
- 相关系数衡量线性关联 理解等级:中级 普通读书笔记卡
- 汇总统计不能替代看图 理解等级:中级 普通读书笔记卡
03 概率
10 张卡片
- 条件概率改变参考范围 理解等级:中级 普通读书笔记卡
- 联合概率与乘法法则 理解等级:中级 普通读书笔记卡
- 边际概率汇总其他变量 理解等级:中级 普通读书笔记卡
- 混淆矩阵区分四种结果 理解等级:初级 普通读书笔记卡
- 分类错误的代价取决于场景 理解等级:中级 普通读书笔记卡
- 准确率精度与召回率 理解等级:中级 普通读书笔记卡
- 精度与召回率需共同看 理解等级:中级 普通读书笔记卡
- F1综合精度与召回率 理解等级:中级 普通读书笔记卡
- 特异性与阴性预测值 理解等级:中级 普通读书笔记卡
- 基率影响阳性预测值 理解等级:高级 普通读书笔记卡
04 贝叶斯定理
4 张卡片
- 频率与贝叶斯推断 理解等级:高级 普通读书笔记卡
- 贝叶斯定理更新信念 理解等级:中级 普通读书笔记卡
- 后验成为下一次先验 理解等级:中级 普通读书笔记卡
- 多个假设的贝叶斯更新 理解等级:中级 普通读书笔记卡
05 曲线和曲面
5 张卡片
- 函数表示输入输出关系 理解等级:初级 普通读书笔记卡
- 导数描述局部变化率 理解等级:中级 普通读书笔记卡
- 局部极值与全局极值 理解等级:中级 普通读书笔记卡
- 梯度与最陡方向 理解等级:中级 普通读书笔记卡
- 零梯度不等于极小值 理解等级:中级 普通读书笔记卡
06 信息论
8 张卡片
- 语境改变事件意外程度 理解等级:初级 普通读书笔记卡
- 比特是信息量单位 理解等级:初级 普通读书笔记卡
- 自信息与概率 理解等级:中级 普通读书笔记卡
- 固定长度编码与词表 理解等级:中级 普通读书笔记卡
- 常见符号使用较短编码 理解等级:中级 普通读书笔记卡
- 香农熵是平均自信息 理解等级:中级 普通读书笔记卡
- 交叉熵衡量模型编码代价 理解等级:中级 普通读书笔记卡
- KL散度是不匹配的额外代价 理解等级:中级 普通读书笔记卡
07 分类
6 张卡片
08 训练与测试
5 张卡片
- 训练集高分可能依赖伪特征 理解等级:中级 普通读书笔记卡
- 测试集泄漏会高估性能 理解等级:中级 普通读书笔记卡
- 验证集选择模型测试集评估 理解等级:中级 普通读书笔记卡
- K折交叉验证轮换留出 理解等级:中级 普通读书笔记卡
- epoch与重复训练 理解等级:初级 普通读书笔记卡
09 过拟合与欠拟合
5 张卡片
- 过拟合与欠拟合 理解等级:中级 普通读书笔记卡
- 及早停止监测验证误差 理解等级:中级 普通读书笔记卡
- 正则化限制过拟合 理解等级:中级 普通读书笔记卡
- 偏差与方差描述不同误差 理解等级:高级 普通读书笔记卡
- 贝叶斯线拟合保留参数分布 理解等级:中级 普通读书笔记卡
10 神经元
3 张卡片
- 生物神经元是简化启发 理解等级:初级 普通读书笔记卡
- 感知机加权求和并判别 理解等级:中级 普通读书笔记卡
- 人工神经元的偏置与激活 理解等级:中级 普通读书笔记卡
11 学习与推理
8 张卡片
- 学习的表示评估与优化 理解等级:中级 普通读书笔记卡
- 可表示不等于可高效学习 理解等级:中级 普通读书笔记卡
- 演绎与归纳的结论 理解等级:中级 普通读书笔记卡
- 有效推理不保证前提真实 理解等级:中级 普通读书笔记卡
- 肯定后件不能反推前件 理解等级:中级 普通读书笔记卡
- 样本概括需要代表性 理解等级:中级 普通读书笔记卡
- 演绎结论依赖前提证据 理解等级:中级 普通读书笔记卡
- 强化与惩罚按结果区分 理解等级:中级 普通读书笔记卡
12 数据准备
10 张卡片
- 训练与推理使用相同变换 理解等级:中级 普通读书笔记卡
- 类别数据与独热编码 理解等级:中级 普通读书笔记卡
- 数据清理先判断原因 理解等级:中级 普通读书笔记卡
- 归一化与标准化 理解等级:中级 普通读书笔记卡
- 特征选择减少无用输入 理解等级:中级 普通读书笔记卡
- PCA以主方向降维 理解等级:中级 普通读书笔记卡
- 数据增强不能替代独立样本 理解等级:中级 普通读书笔记卡
- 目标变换需要逆变换 理解等级:中级 普通读书笔记卡
- 按样本特征或元素处理 理解等级:中级 普通读书笔记卡
- 交叉验证每折拟合预处理 理解等级:中级 普通读书笔记卡
13 分类器
7 张卡片
- 参数与非参数模型的取舍 理解等级:中级 普通读书笔记卡
- K近邻依邻居投票 理解等级:中级 普通读书笔记卡
- 支持向量机与间隔 理解等级:中级 普通读书笔记卡
- 核方法处理非线性边界 理解等级:中级 普通读书笔记卡
- 决策树递归划分特征空间 理解等级:中级 普通读书笔记卡
- 节点划分比较不纯度下降 理解等级:中级 普通读书笔记卡
- 朴素贝叶斯条件独立假设 理解等级:高级 普通读书笔记卡
14 集成算法
6 张卡片
- 集成组合多个学习器 理解等级:中级 普通读书笔记卡
- 集成投票与权重 理解等级:初级 普通读书笔记卡
- 套袋重采样并聚合 理解等级:中级 普通读书笔记卡
- 随机森林增加特征随机性 理解等级:中级 普通读书笔记卡
- 极端随机树随机选择切分 理解等级:中级 普通读书笔记卡
- 增强算法组合弱学习器 理解等级:中级 普通读书笔记卡
15 scikit-learn
12 张卡片
- 估算器拟合与预测 理解等级:中级 操作参考卡
- 分类分数与概率输出 理解等级:中级 操作参考卡
- KMeans拟合与簇预测 理解等级:中级 操作参考卡
- 变换器拟合与应用 理解等级:中级 操作参考卡
- PCA拟合与投影操作 理解等级:中级 操作参考卡
- 集成估算器的统一接口 理解等级:初级 操作参考卡
- 交叉验证分数与模型拟合 理解等级:中级 操作参考卡
- 网格搜索与随机搜索 理解等级:中级 操作参考卡
- 流水线绑定预处理与搜索 理解等级:中级 操作参考卡
- 多项式特征扩展线性模型 理解等级:中级 操作参考卡
- 数据集加载与合成示例 理解等级:初级 操作参考卡
- 训练测试拆分要匹配数据 理解等级:中级 操作参考卡
16 前馈网络
4 张卡片
- 前馈网络是有向无环计算 理解等级:中级 普通读书笔记卡
- 异步节点需要辨认新输入 理解等级:中级 普通读书笔记卡
- 初始化需要打破神经元对称性 理解等级:中级 普通读书笔记卡
- 初始化尺度影响信号与梯度 理解等级:中级 普通读书笔记卡
17 激活函数
6 张卡片
- 非线性激活避免仿射层折叠 理解等级:中级 普通读书笔记卡
- ReLU及其负半轴变体 理解等级:中级 普通读书笔记卡
- Sigmoid饱和与梯度衰减 理解等级:中级 普通读书笔记卡
- Softmax将类别分数归一化 理解等级:中级 普通读书笔记卡
- Maxout用多个仿射响应取最大值 理解等级:中级 普通读书笔记卡
- 平滑激活函数的选择 理解等级:中级 普通读书笔记卡
18 反向传播
5 张卡片
- 损失函数衡量优化目标 理解等级:中级 普通读书笔记卡
- 平方误差梯度的符号 理解等级:中级 普通读书笔记卡
- 链式法则传播误差梯度 理解等级:中级 普通读书笔记卡
- 学习率控制梯度更新步长 理解等级:中级 普通读书笔记卡
- 小批量估计训练梯度 理解等级:中级 普通读书笔记卡
19 优化器
4 张卡片
- 学习率调度与验证指标 理解等级:中级 普通读书笔记卡
- 比较批量策略要计算实际成本 理解等级:中级 普通读书笔记卡
- 动量与自适应优化器 理解等级:中级 普通读书笔记卡
- 优化器选择需要公平实验 理解等级:中级 普通读书笔记卡
20 深度学习
4 张卡片
- 用张量形状描述网络接口 理解等级:中级 普通读书笔记卡
- Dropout与批归一化区分训练和推理 理解等级:中级 普通读书笔记卡
- 训练验证测试应分工 理解等级:中级 普通读书笔记卡
- 解释预测还需检查数据与漂移 理解等级:中级 普通读书笔记卡
21 卷积神经网络
6 张卡片
- 卷积的局部感受野与权重共享 理解等级:中级 普通读书笔记卡
- 卷积的步幅和填充决定输出形状 理解等级:中级 普通读书笔记卡
- 卷积核跨通道组合特征 理解等级:中级 普通读书笔记卡
- 一乘一卷积混合通道 理解等级:中级 普通读书笔记卡
- 转置卷积与空洞卷积不同 理解等级:中级 普通读书笔记卡
- 对抗扰动揭示模型脆弱性 理解等级:中级 普通读书笔记卡
22 循环神经网络
6 张卡片
- 窗口顺序与时序泄漏 理解等级:中级 普通读书笔记卡
- 循环状态与模型权重不同 理解等级:中级 普通读书笔记卡
- 时间反向传播中的梯度连乘 理解等级:中级 普通读书笔记卡
- 门控循环网络缓解长依赖困难 理解等级:中级 普通读书笔记卡
- 双向序列模型需要未来上下文 理解等级:中级 普通读书笔记卡
- 自回归文本生成逐步反馈 理解等级:中级 普通读书笔记卡
23 Keras第1部分
4 张卡片
- 训练推理共享预处理契约 理解等级:中级 普通读书笔记卡
- 模型结构损失和优化器协同 理解等级:中级 普通读书笔记卡
- 保存模型与恢复训练状态 理解等级:中级 普通读书笔记卡
- 早停与最佳检查点 理解等级:中级 普通读书笔记卡
24 Keras第2部分
5 张卡片
- 超参数实验要控制比较条件 理解等级:中级 普通读书笔记卡
- 交叉验证流水线防止预处理泄漏 理解等级:中级 普通读书笔记卡
- 图像增强应保持任务标签 理解等级:中级 普通读书笔记卡
- 有状态循环需要对齐批次 理解等级:中级 普通读书笔记卡
- 函数式模型共享层的权重 理解等级:中级 普通读书笔记卡
25 自编码器
4 张卡片
- 自编码器学习重建输入 理解等级:中级 普通读书笔记卡
- 潜在空间插值不保证有效 理解等级:中级 普通读书笔记卡
- 降噪自编码器学习噪声到干净目标 理解等级:中级 普通读书笔记卡
- VAE通过先验正则化潜在分布 理解等级:中级 普通读书笔记卡
26 强化学习
4 张卡片
- 折扣回报与探索利用 理解等级:中级 普通读书笔记卡
- Q学习的离策略更新 理解等级:中级 普通读书笔记卡
- SARSA按实际策略自举 理解等级:中级 普通读书笔记卡
- 经验回放复用历史转移 理解等级:中级 普通读书笔记卡
27 生成对抗网络
3 张卡片
- 生成器与判别器的对抗目标 理解等级:中级 普通读书笔记卡
- GAN损失不能单独证明生成质量 理解等级:中级 普通读书笔记卡
- GAN模式崩溃减少多样性 理解等级:中级 普通读书笔记卡
28 创造性应用
2 张卡片
- 激活最大化优化输入而非权重 理解等级:中级 普通读书笔记卡
- 风格迁移匹配特征统计 理解等级:中级 普通读书笔记卡
29 数据集
1 张卡片
- 选用公开数据先核验范围和许可 理解等级:中级 普通读书笔记卡
全书概览
《深度学习:从基础到实践(上下册)》概览
Skill 版本:book-notes v24
执行模式:light
建档进度:done
作者:安德鲁·格拉斯纳;译者:罗家佳。评级抽读:高信息浓度、高稳定性,经典原理为主,维持总表 P4。第 2 章用 Anscombe 四重奏解释汇总统计的局限,第 12 章讨论数据准备对学习结果的影响,第 27 章解释生成器与鉴别器交替学习;这些判断可迁移。第 23 章 Keras 具体 API 与性能数字依赖版本和硬件,稳定性较低,不能推广为现行事实。总体以概念解析为主,兼含库操作。EPUB 版权页写人民邮电出版社,OPF 的 publisher 与之不一致,出版信息待核对。
阅读计划
初始 spine 清单及覆盖记录列出全部 296 项;全书正文已完整阅读并逐项记录范围、候选去向和章节笔记;第 1 章曾受截断影响的内容已补读。
章节进度追踪表
| 章节号 | 章节标题 | 状态(pending/done) | 卡片数 |
|---|---|---|---|
| spine-006 | 内 容 提 要 | done | 0 |
| spine-007 | 译 者 序 | done | 0 |
| spine-008 | 前 言 | done | 0 |
| spine-009 | 前 言 | done | 0 |
| spine-010 | 前 言 | done | 0 |
| spine-011 | 前 言 | done | 0 |
| spine-012 | 前 言 | done | 0 |
| spine-020 | 第1章 机器学习与深度学习入门 | done | 0 |
| spine-021 | 第1章 机器学习与深度学习入门 | done | 2 |
| spine-022 | 第1章 机器学习与深度学习入门 | done | 6 |
| spine-023 | 第1章 机器学习与深度学习入门 | done | 3 |
| spine-024 | 第1章 机器学习与深度学习入门 | done | 3 |
| spine-025 | 第1章 机器学习与深度学习入门 | done | 1 |
| spine-026 | 第1章 机器学习与深度学习入门 | done | 1 |
| spine-027 | 第1章 机器学习与深度学习入门 | done | 2 |
| spine-028 | 第1章 机器学习与深度学习入门 | done | 0 |
| spine-029 | 第1章 机器学习与深度学习入门 | done | 0 |
| spine-030 | 第2章 随机性与基础统计学 | done | 0 |
| spine-031 | 第2章 随机性与基础统计学 | done | 0 |
| spine-032 | 第2章 随机性与基础统计学 | done | 5 |
| spine-033 | 第2章 随机性与基础统计学 | done | 6 |
| spine-034 | 第2章 随机性与基础统计学 | done | 1 |
| spine-035 | 第2章 随机性与基础统计学 | done | 1 |
| spine-036 | 第2章 随机性与基础统计学 | done | 3 |
| spine-037 | 第2章 随机性与基础统计学 | done | 1 |
| spine-038 | 第2章 随机性与基础统计学 | done | 2 |
| spine-039 | 第2章 随机性与基础统计学 | done | 1 |
| spine-040 | 第2章 随机性与基础统计学 | done | 0 |
| spine-041 | 第3章 概率 | done | 0 |
| spine-042 | 第3章 概率 | done | 0 |
| spine-043 | 第3章 概率 | done | 0 |
| spine-044 | 第3章 概率 | done | 0 |
| spine-045 | 第3章 概率 | done | 1 |
| spine-046 | 第3章 概率 | done | 1 |
| spine-047 | 第3章 概率 | done | 1 |
| spine-048 | 第3章 概率 | done | 6 |
| spine-049 | 第3章 概率 | done | 1 |
| spine-050 | 第3章 概率 | done | 0 |
| spine-051 | 第4章 贝叶斯定理 | done | 0 |
| spine-052 | 第4章 贝叶斯定理 | done | 0 |
| spine-053 | 第4章 贝叶斯定理 | done | 1 |
| spine-054 | 第4章 贝叶斯定理 | done | 0 |
| spine-055 | 第4章 贝叶斯定理 | done | 1 |
| spine-056 | 第4章 贝叶斯定理 | done | 0 |
| spine-057 | 第4章 贝叶斯定理 | done | 1 |
| spine-058 | 第4章 贝叶斯定理 | done | 1 |
| spine-059 | 第4章 贝叶斯定理 | done | 0 |
| spine-060 | 第5章 曲线和曲面 | done | 0 |
| spine-061 | 第5章 曲线和曲面 | done | 0 |
| spine-062 | 第5章 曲线和曲面 | done | 1 |
| spine-063 | 第5章 曲线和曲面 | done | 2 |
| spine-064 | 第5章 曲线和曲面 | done | 2 |
| spine-065 | 第5章 曲线和曲面 | done | 0 |
| spine-066 | 第6章 信息论 | done | 0 |
| spine-067 | 第6章 信息论 | done | 0 |
| spine-068 | 第6章 信息论 | done | 1 |
| spine-069 | 第6章 信息论 | done | 1 |
| spine-070 | 第6章 信息论 | done | 1 |
| spine-071 | 第6章 信息论 | done | 1 |
| spine-072 | 第6章 信息论 | done | 1 |
| spine-073 | 第6章 信息论 | done | 1 |
| spine-074 | 第6章 信息论 | done | 1 |
| spine-075 | 第6章 信息论 | done | 1 |
| spine-076 | 第6章 信息论 | done | 0 |
| spine-077 | 第7章 分类 | done | 0 |
| spine-078 | 第7章 分类 | done | 0 |
| spine-079 | 第7章 分类 | done | 1 |
| spine-080 | 第7章 分类 | done | 1 |
| spine-081 | 第7章 分类 | done | 1 |
| spine-082 | 第7章 分类 | done | 1 |
| spine-083 | 第7章 分类 | done | 2 |
| spine-084 | 第7章 分类 | done | 0 |
| spine-085 | 第8章 训练与测试 | done | 0 |
| spine-086 | 第8章 训练与测试 | done | 0 |
| spine-087 | 第8章 训练与测试 | done | 2 |
| spine-088 | 第8章 训练与测试 | done | 1 |
| spine-089 | 第8章 训练与测试 | done | 1 |
| spine-090 | 第8章 训练与测试 | done | 1 |
| spine-091 | 第8章 训练与测试 | done | 0 |
| spine-092 | 第8章 训练与测试 | done | 0 |
| spine-093 | 第9章 过拟合与欠拟合 | done | 0 |
| spine-094 | 第9章 过拟合与欠拟合 | done | 0 |
| spine-095 | 第9章 过拟合与欠拟合 | done | 1 |
| spine-096 | 第9章 过拟合与欠拟合 | done | 0 |
| spine-097 | 第9章 过拟合与欠拟合 | done | 1 |
| spine-098 | 第9章 过拟合与欠拟合 | done | 1 |
| spine-099 | 第9章 过拟合与欠拟合 | done | 1 |
| spine-100 | 第9章 过拟合与欠拟合 | done | 1 |
| spine-101 | 第9章 过拟合与欠拟合 | done | 0 |
| spine-102 | 第10章 神经元 | done | 0 |
| spine-103 | 第10章 神经元 | done | 0 |
| spine-104 | 第10章 神经元 | done | 1 |
| spine-105 | 第10章 神经元 | done | 2 |
| spine-106 | 第10章 神经元 | done | 0 |
| spine-107 | 第10章 神经元 | done | 0 |
| spine-108 | 第11章 学习与推理 | done | 0 |
| spine-109 | 第11章 学习与推理 | done | 0 |
| spine-110 | 第11章 学习与推理 | done | 2 |
| spine-111 | 第11章 学习与推理 | done | 1 |
| spine-112 | 第11章 学习与推理 | done | 2 |
| spine-113 | 第11章 学习与推理 | done | 1 |
| spine-114 | 第11章 学习与推理 | done | 1 |
| spine-115 | 第11章 学习与推理 | done | 1 |
| spine-116 | 第11章 学习与推理 | done | 0 |
| spine-117 | 第12章 数据准备 | done | 0 |
| spine-118 | 第12章 数据准备 | done | 0 |
| spine-119 | 第12章 数据准备 | done | 1 |
| spine-120 | 第12章 数据准备 | done | 1 |
| spine-121 | 第12章 数据准备 | done | 1 |
| spine-122 | 第12章 数据准备 | done | 1 |
| spine-123 | 第12章 数据准备 | done | 1 |
| spine-124 | 第12章 数据准备 | done | 2 |
| spine-125 | 第12章 数据准备 | done | 1 |
| spine-126 | 第12章 数据准备 | done | 1 |
| spine-127 | 第12章 数据准备 | done | 1 |
| spine-128 | 第12章 数据准备 | done | 0 |
| spine-129 | 第13章 分类器 | done | 0 |
| spine-130 | 第13章 分类器 | done | 0 |
| spine-131 | 第13章 分类器 | done | 1 |
| spine-132 | 第13章 分类器 | done | 1 |
| spine-133 | 第13章 分类器 | done | 2 |
| spine-134 | 第13章 分类器 | done | 2 |
| spine-135 | 第13章 分类器 | done | 1 |
| spine-136 | 第13章 分类器 | done | 0 |
| spine-137 | 第13章 分类器 | done | 0 |
| spine-138 | 第14章 集成算法 | done | 0 |
| spine-139 | 第14章 集成算法 | done | 0 |
| spine-140 | 第14章 集成算法 | done | 1 |
| spine-141 | 第14章 集成算法 | done | 1 |
| spine-142 | 第14章 集成算法 | done | 1 |
| spine-143 | 第14章 集成算法 | done | 1 |
| spine-144 | 第14章 集成算法 | done | 1 |
| spine-145 | 第14章 集成算法 | done | 1 |
| spine-146 | 第14章 集成算法 | done | 0 |
| spine-147 | 第15章 scikit-learn | done | 0 |
| spine-148 | 第15章 scikit-learn | done | 0 |
| spine-149 | 第15章 scikit-learn | done | 0 |
| spine-150 | 第15章 scikit-learn | done | 0 |
| spine-151 | 第15章 scikit-learn | done | 2 |
| spine-152 | 第15章 scikit-learn | done | 1 |
| spine-153 | 第15章 scikit-learn | done | 1 |
| spine-154 | 第15章 scikit-learn | done | 1 |
| spine-155 | 第15章 scikit-learn | done | 1 |
| spine-156 | 第15章 scikit-learn | done | 4 |
| spine-157 | 第15章 scikit-learn | done | 1 |
| spine-158 | 第15章 scikit-learn | done | 1 |
| spine-159 | 第15章 scikit-learn | done | 0 |
| spine-160 | 第15章 scikit-learn | done | 0 |
| spine-161 | 第16章 前馈网络 | done | 0 |
| spine-162 | 第16章 前馈网络 | done | 0 |
| spine-163 | 第16章 前馈网络 | done | 1 |
| spine-164 | 第16章 前馈网络 | done | 1 |
| spine-165 | 第16章 前馈网络 | done | 2 |
| spine-166 | 第16章 前馈网络 | done | 0 |
| spine-167 | 第17章 激活函数 | done | 0 |
| spine-168 | 第17章 激活函数 | done | 0 |
| spine-169 | 第17章 激活函数 | done | 1 |
| spine-170 | 第17章 激活函数 | done | 0 |
| spine-171 | 第17章 激活函数 | done | 0 |
| spine-172 | 第17章 激活函数 | done | 2 |
| spine-173 | 第17章 激活函数 | done | 2 |
| spine-174 | 第17章 激活函数 | done | 0 |
| spine-175 | 第17章 激活函数 | done | 1 |
| spine-176 | 第17章 激活函数 | done | 0 |
| spine-177 | 第18章 反向传播 | done | 0 |
| spine-178 | 第18章 反向传播 | done | 0 |
| spine-179 | 第18章 反向传播 | done | 1 |
| spine-180 | 第18章 反向传播 | done | 0 |
| spine-181 | 第18章 反向传播 | done | 0 |
| spine-182 | 第18章 反向传播 | done | 0 |
| spine-183 | 第18章 反向传播 | done | 1 |
| spine-184 | 第18章 反向传播 | done | 0 |
| spine-185 | 第18章 反向传播 | done | 1 |
| spine-186 | 第18章 反向传播 | done | 0 |
| spine-187 | 第18章 反向传播 | done | 0 |
| spine-188 | 第18章 反向传播 | done | 1 |
| spine-189 | 第18章 反向传播 | done | 1 |
| spine-190 | 第18章 反向传播 | done | 0 |
| spine-191 | 第19章 优化器 | done | 0 |
| spine-192 | 第19章 优化器 | done | 0 |
| spine-193 | 第19章 优化器 | done | 0 |
| spine-194 | 第19章 优化器 | done | 1 |
| spine-195 | 第19章 优化器 | done | 1 |
| spine-196 | 第19章 优化器 | done | 1 |
| spine-197 | 第19章 优化器 | done | 1 |
| spine-198 | 第19章 优化器 | done | 0 |
| spine-200 | 第20章 深度学习 | done | 0 |
| spine-201 | 第20章 深度学习 | done | 0 |
| spine-202 | 第20章 深度学习 | done | 1 |
| spine-203 | 第20章 深度学习 | done | 0 |
| spine-204 | 第20章 深度学习 | done | 1 |
| spine-205 | 第20章 深度学习 | done | 0 |
| spine-206 | 第20章 深度学习 | done | 0 |
| spine-207 | 第20章 深度学习 | done | 1 |
| spine-208 | 第20章 深度学习 | done | 1 |
| spine-209 | 第20章 深度学习 | done | 0 |
| spine-210 | 第21章 卷积神经网络 | done | 0 |
| spine-211 | 第21章 卷积神经网络 | done | 0 |
| spine-212 | 第21章 卷积神经网络 | done | 1 |
| spine-213 | 第21章 卷积神经网络 | done | 1 |
| spine-214 | 第21章 卷积神经网络 | done | 1 |
| spine-215 | 第21章 卷积神经网络 | done | 0 |
| spine-216 | 第21章 卷积神经网络 | done | 1 |
| spine-217 | 第21章 卷积神经网络 | done | 0 |
| spine-218 | 第21章 卷积神经网络 | done | 1 |
| spine-219 | 第21章 卷积神经网络 | done | 0 |
| spine-220 | 第21章 卷积神经网络 | done | 1 |
| spine-221 | 第21章 卷积神经网络 | done | 0 |
| spine-222 | 第22章 循环神经网络 | done | 0 |
| spine-223 | 第22章 循环神经网络 | done | 0 |
| spine-224 | 第22章 循环神经网络 | done | 1 |
| spine-225 | 第22章 循环神经网络 | done | 1 |
| spine-226 | 第22章 循环神经网络 | done | 0 |
| spine-227 | 第22章 循环神经网络 | done | 0 |
| spine-228 | 第22章 循环神经网络 | done | 1 |
| spine-229 | 第22章 循环神经网络 | done | 1 |
| spine-230 | 第22章 循环神经网络 | done | 1 |
| spine-231 | 第22章 循环神经网络 | done | 1 |
| spine-232 | 第22章 循环神经网络 | done | 0 |
| spine-233 | 第23章 Keras第1部分 | done | 0 |
| spine-234 | 第23章 Keras第1部分 | done | 0 |
| spine-235 | 第23章 Keras第1部分 | done | 0 |
| spine-236 | 第23章 Keras第1部分 | done | 0 |
| spine-237 | 第23章 Keras第1部分 | done | 0 |
| spine-238 | 第23章 Keras第1部分 | done | 1 |
| spine-239 | 第23章 Keras第1部分 | done | 1 |
| spine-240 | 第23章 Keras第1部分 | done | 0 |
| spine-241 | 第23章 Keras第1部分 | done | 0 |
| spine-242 | 第23章 Keras第1部分 | done | 1 |
| spine-243 | 第23章 Keras第1部分 | done | 1 |
| spine-244 | 第23章 Keras第1部分 | done | 0 |
| spine-245 | 第24章 Keras第2部分 | done | 0 |
| spine-246 | 第24章 Keras第2部分 | done | 0 |
| spine-247 | 第24章 Keras第2部分 | done | 1 |
| spine-248 | 第24章 Keras第2部分 | done | 1 |
| spine-249 | 第24章 Keras第2部分 | done | 1 |
| spine-250 | 第24章 Keras第2部分 | done | 1 |
| spine-251 | 第24章 Keras第2部分 | done | 1 |
| spine-252 | 第24章 Keras第2部分 | done | 0 |
| spine-253 | 第25章 自编码器 | done | 0 |
| spine-254 | 第25章 自编码器 | done | 0 |
| spine-255 | 第25章 自编码器 | done | 0 |
| spine-256 | 第25章 自编码器 | done | 1 |
| spine-257 | 第25章 自编码器 | done | 0 |
| spine-258 | 第25章 自编码器 | done | 1 |
| spine-259 | 第25章 自编码器 | done | 0 |
| spine-260 | 第25章 自编码器 | done | 0 |
| spine-261 | 第25章 自编码器 | done | 1 |
| spine-262 | 第25章 自编码器 | done | 1 |
| spine-263 | 第25章 自编码器 | done | 0 |
| spine-264 | 第25章 自编码器 | done | 0 |
| spine-265 | 第26章 强化学习 | done | 0 |
| spine-266 | 第26章 强化学习 | done | 0 |
| spine-267 | 第26章 强化学习 | done | 0 |
| spine-268 | 第26章 强化学习 | done | 1 |
| spine-269 | 第26章 强化学习 | done | 0 |
| spine-270 | 第26章 强化学习 | done | 0 |
| spine-271 | 第26章 强化学习 | done | 1 |
| spine-272 | 第26章 强化学习 | done | 1 |
| spine-273 | 第26章 强化学习 | done | 0 |
| spine-274 | 第26章 强化学习 | done | 1 |
| spine-275 | 第26章 强化学习 | done | 0 |
| spine-276 | 第26章 强化学习 | done | 0 |
| spine-277 | 第27章 生成对抗网络 | done | 0 |
| spine-278 | 第27章 生成对抗网络 | done | 0 |
| spine-279 | 第27章 生成对抗网络 | done | 1 |
| spine-280 | 第27章 生成对抗网络 | done | 0 |
| spine-281 | 第27章 生成对抗网络 | done | 1 |
| spine-282 | 第27章 生成对抗网络 | done | 0 |
| spine-283 | 第27章 生成对抗网络 | done | 0 |
| spine-284 | 第27章 生成对抗网络 | done | 1 |
| spine-285 | 第27章 生成对抗网络 | done | 0 |
| spine-286 | 第28章 创造性应用 | done | 0 |
| spine-287 | 第28章 创造性应用 | done | 0 |
| spine-288 | 第28章 创造性应用 | done | 1 |
| spine-289 | 第28章 创造性应用 | done | 0 |
| spine-290 | 第28章 创造性应用 | done | 1 |
| spine-291 | 第28章 创造性应用 | done | 0 |
| spine-292 | 第28章 创造性应用 | done | 0 |
| spine-293 | 第29章 数据集 | done | 0 |
| spine-294 | 第29章 数据集 | done | 1 |
| spine-295 | 第29章 数据集 | done | 0 |
| spine-296 | 第29章 数据集 | done | 0 |
非正文排除
| spine项 | 类型 | 排除理由 |
|---|---|---|
1 titlepage.xhtml |
非正文 | 封面图 |
2 text/part0000.html |
非正文 | 上册封面图,已视觉核验 |
3 text/part0001.html |
非正文 | 纯目录 |
4 text/part0002.html |
非正文 | 版权信息 |
5 text/part0003.html |
非正文 | 版权页 |
13 text/part0006_split_005.html |
非正文 | 致谢 |
14 text/part0006_split_006.html |
非正文 | 前言参考文献目录,阅读时登记引用 |
15 text/part0007_split_000.html |
非正文 | 出版方资源说明 |
16 text/part0007_split_001.html |
非正文 | 配套资源获取说明 |
17 text/part0007_split_002.html |
非正文 | 出版方服务二维码 |
18 text/part0007_split_003.html |
非正文 | 出版方联系信息 |
19 text/part0007_split_004.html |
非正文 | 出版方简介 |
199 text/part0027.html |
非正文 | 下册封面图,已视觉核验 |
说明:逐项登记实际出现的参考资料;个别原书标识或书目信息不完整之处保留说明。
待关联术语
| 术语名 | 出现章节 | 一句话语境 |
|---|---|---|
| 连接体 | 第10章 | 脑中神经元连接的结构描述,本章仅概述。 |
| MNIST | 第1、29章 | 手写数字图像分类基准;第29章将其与服饰图像基准比较。 |
| Fashion-MNIST | 第29章 | 与 MNIST 形状相近的服饰图像分类数据集。 |
| 20 Newsgroups | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| Boston housing | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| Diabetes dataset | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| Digits dataset | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| Forest CoverType | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| Iris dataset | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| Labeled Faces in the Wild | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| Linnerrud dataset | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| Olivetti faces | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| RCV1 | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| Breast cancer Wisconsin | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| CIFAR-10 | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| CIFAR-100 | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| IMDB movie reviews | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
| Reuters newswire | 第29章 | 库内示例数据集;名称及可用版本使用时须核对维护方。 |
引用文献
| 标题 | 类型 | 出现章节 | 一句话语境 |
|---|---|---|---|
| Learning Multiple Layers of Features from Tiny Images | 论文 | 第12章 | 图像数据集 |
| Eigenfaces for Recognition | 论文 | 第12章 | PCA 图像 |
| Python Machine Learning | 书 | 第13章、前言、第15章 | 机器学习工具;作者列为偏重实践的参考书。 |
| Support Vector Machines | 书 | 第13章 | 支持向量机 |
| A Decision-theoretic Generalization of On-line Learning and an Application to Boosting | 论文 | 第14章 | 增强算法 |
| A Theoretical Analysis of Bagging as a Linear Combination of Classifiers | 论文 | 第14章 | 套袋理论 |
| Boosting: Foundations and Algorithms | 书 | 第14章 | 增强算法 |
| The Atmospheric Sciences: Entering the Twenty-First Century | 书 | 第14章 | 集成预测 |
| The Master Algorithm | 书 | 第9章、前言、第20章 | 偏差与方差;作者列为机器学习及其影响的延伸阅读。 |
| Moonwalking with Einstein: The Art and Science of Remembering Everything | 书 | 第9章 | 记忆与过拟合类比 |
| Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift | 论文 | 第9章、第20章 | 批归一化 |
| Dropout: A Simple Way to Prevent Neural Networks from Overfitting | 论文 | 第9章、第20章、第24章 | dropout 正则化 |
| A Logical Calculus of the Ideas Immanent in Nervous Activity | 论文 | 第10章 | 人工神经元逻辑模型 |
| Perceptrons: An Introduction to Computational Geometry | 书 | 第10章 | 感知机限制 |
| Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms | 书 | 第10章 | 感知机 |
| Learning Representations by Back-propagating Errors | 论文 | 第10章 | 多层网络学习 |
| The Human Connectome: A Structural Description of the Human Brain | 论文 | 第10章 | 连接体 |
| Connectome: How the Brain’s Wiring Makes Us Who We Are | 书 | 第10章 | 神经元连接 |
| On the Surprising Behavior of Distance Metrics in High Dimensional Space | 论文 | 第7章 | 高维距离 |
| Dynamic Programming | 书 | 第7章 | 维度灾难来源 |
| A Few Useful Things to Know About Machine Learning | 论文 | 第7章、第11章、第15章 | 数据结构与机器学习 |
| On the mean accuracy of statistical pattern recognizers | 论文 | 第7章 | 维度与分类 |
| Calculus, Vol. 1: One-Variable Calculus, with an Introduction to Linear Algebra | 书 | 第5章 | 导数参考 |
| Calculus | 书 | 第5章 | 微积分参考 |
| A Mathematical Theory of Communication | 论文 | 第6章 | 信息论基础 |
| A Method for the Construction of Minimum-Redundancy Codes | 论文 | 第6章 | 哈夫曼编码 |
| Treasure Island | 书 | 第6章 | 编码与词频示例 |
| Adventures of Huckleberry Finn | 书 | 第6章 | 交叉熵编码示例 |
| A Tale of Two Cities | 书 | 第6章 | 编码比较 |
| The Ingenious Nobleman Mister Quixote of La Mancha | 书 | 第6章 | 编码比较 |
| Green Eggs and Ham | 书 | 第6章 | 词表编码示例 |
| Multistate Memristive Tantalum Oxide Devices for Ternary Arithmetic | 论文 | 第6章 | 参考资料 |
| Probability Theory: The Logic of Science | 书 | 第3章 | 第3章概率参考 |
| Small Gland, Big Problem | 书 | 第3章 | 第3章检测案例参考 |
| A Field Guide to Lies: Critical Thinking in the Information Age | 书 | 第3章 | 第3章统计解释参考 |
| Probability and Statistics for Engineers and Scientists | 书 | 第3章 | 第3章概率参考 |
| Doing Bayesian Data Analysis | 书 | 第4章 | 第4章贝叶斯参考 |
| What Is the Chance of an Earthquake? | 技术报告 | 第4章 | 第4章概率观点参考 |
| Graphs in Statistical Analysis | 论文 | 第2章 | Anscombe 四重奏 |
| Beyond the Third Dimension: Geometry, Computer Graphics, and Higher Dimensions | 书 | 第2章 | 高维空间 |
| An Introduction to the Bootstrap | 书 | 第2章 | bootstrap 参考资料 |
| Some Difficult-to-pass Tests of Randomness | 论文 | 第2章 | 伪随机序列测试 |
| Same Stats, Different Graphs: Generating Datasets with Varied Appearance and Identical Statistics through Simulated Annealing | 论文 | 第2章 | 汇总统计相似的数据集 |
| Pattern Recognition and Machine Learning | 书 | 第1章、前言、第9章、第13章 | 机器学习基础与样本特征;作者推荐的理论学习参考。 |
| A Short History of Nearly Everything | 书 | 第1章 | 第1章参考资料 |
| Reinforcement Learning | 网站文章 | 第1章、第26章 | 强化学习参考资料 |
| On the Origin of Species by Means of Natural Selection | 书 | 第1章 | 回归术语历史背景 |
| Regression Towards Mediocrity in Hereditary Stature | 论文 | 第1章 | 回归术语的历史来源 |
| Deep Learning | 书 | 第1章、译者序、前言 | 深度学习参考资料;译者与作者将其作为理论分析参考。 |
| Very Deep Convolutional Networks for Large-Scale Image Recognition | 论文 | 第1章、第20章、第21章、第28章 | 图像分类示例 |
| Reinforcement Learning: An Introduction | 书 | 第1章、第26章 | 强化学习参考资料 |
| Photo-identification catalogue and status of the northern resident killer whale population in 2014 | 技术报告 | 第1章 | 虎鲸数量预测示例 |
| Python Data Science Handbook | 书 | 第1章、前言、第13章、第15章 | 特征工程参考资料;作者列为偏重实践的参考书。 |
| Understanding the Difficulty of Training Deep Feedforward Neural Networks | 论文 | 第16章、第21章 | Glorot 初始化方案的原始研究。 |
| Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification | 论文 | 第16章、第21章 | He 初始化及修正线性单元研究。 |
| Efficient BackProp | 论文 | 第16章 | LeCun 初始化与反向传播实践参考。 |
| Maxout Networks | 论文 | 第17章 | maxout 激活函数的来源。 |
| Fast and Accurate Deep Network Learning by Exponential Linear Units (ELUs) | 论文 | 第17章 | 指数线性单元的来源。 |
| Swish: A Self-Gated Activation Function | 论文 | 第17章 | swish 激活函数的来源。 |
| Deep Learning with Python | 书 | 译者序、前言、第21章、第23章、第24章、第28章 | 用作偏重具体库与任务的参考。 |
| Our Final Invention: Artificial Intelligence and the End of the Human Era | 书 | 前言 | 人工智能社会影响的延伸阅读。 |
| Artificial Intelligence: What Everyone Needs to Know | 书 | 前言 | 人工智能社会影响的延伸阅读。 |
| Introduction to Machine Learning with Python | 书 | 前言、第15章 | 作者列为偏重实践的参考书。 |
| Jupyter | 框架 | 前言、第15章、第23章 | 用于运行配套 Python 手册的浏览器环境。 |
| PyCharm Community Edition | 框架 | 前言、第23章 | 运行配套 Python 手册的开发环境。 |
| scikit-learn | 框架 | 第1章 | 作者预告用 Python 库示例说明基础机器学习工作流。 |
| Keras | 框架 | 第1章 | 作者预告用深度学习库搭建和运行网络。 |
| Physiognomy’s New Clothes | 网站文章 | 前言、第20章 | 作者列出的机器学习社会影响延伸阅读。 |
| Random Numbers: Nothing Left to Chance | 文章 | 第2章 | 随机数的延伸阅读。 |
| How to Calculate Bootstrap Confidence Intervals for Machine Learning Results in Python | 博客文章 | 第2章 | Bootstrap 置信区间参考。 |
| What is A Four Dimensional Space Like? | 文章 | 第2章 | 高维空间直觉参考。 |
| A Primer to Bootstrapping | 文章 | 第2章 | Bootstrap 入门参考。 |
| Random Integer Generator | 网站工具 | 第2章 | 随机整数生成示例。 |
| The Hardest Working Office Design in America Encrypts Your Data-With Lava Lamps | 博客文章 | 第2章 | 随机数来源示例。 |
| How Common is Your Birthday? This Visualization Might Surprise You | 网站文章 | 第2章 | 生日分布可视化参考。 |
| Anscombe’s Quartet | 百科条目 | 第2章 | 四组统计量近似相同的数据集。 |
| Random Number Generation | 百科条目 | 第2章 | 随机数生成参考。 |
| Random Variable | 百科条目 | 第2章 | 随机变量参考。 |
| Marginal Distribution | 博客文章 | 第3章 | 概率表边际分布的参考。 |
| How to Read Weather Maps | 网站文章 | 第3章 | 天气图与测量例子的参考。 |
| Sensitivity and Specificity | 百科条目 | 第3章 | 分类检测指标参考。 |
| The Anatomy of Bayes’ Theorem | 博客文章 | 第4章 | 贝叶斯定理和硬币示例的参考。 |
| Calculating Coin Bias With Bayes’ Theorem | 博客文章 | 第4章 | 用贝叶斯方法推断硬币偏置的参考。 |
| Tutorial on Bayesian Analysis (in Neuroimaging) | 教程 | 第4章 | 贝叶斯与频率学派方法比较的参考。 |
| Frequentism and Bayesianism: A Python-driven Primer | 教程 | 第4章 | 两种概率推断观点的参考。 |
| A Forgotten History: Alfred Vail and Samuel Morse | 网站文章 | 第6章 | 莫尔斯电码历史的参考。 |
| Entropy of a Discrete Probability Distribution | 网站文章 | 第6章 | 离散分布熵的参考。 |
| Kullback-Leibler Divergence Explained | 博客文章 | 第6章 | KL 散度直观解释的参考。 |
| Letter Frequency | 百科条目 | 第6章 | 英语字母出现频率的参考。 |
| Morse Code or Vail Code? | 网站文章 | 第6章 | 莫尔斯电码历史的参考。 |
| The American Inventors of the Telegraph, which Special References to the Services of Alfred Vail | 杂志文章 | 第6章 | 电码发明历史引文的参考。 |
| Project Gutenberg | 网站项目 | 第6章 | 公版书籍文本来源的参考。 |
| G3ZQS’ Explanation of how FISTS got its name | 网站文章 | 第6章 | 莫尔斯电码操作者节奏的参考。 |
| Shannon Entropy, Information Gain, and Picking Balls from Buckets | 网站文章 | 第6章 | 香农熵入门的参考。 |
| shannon (unit) | 百科条目 | 第6章 | 信息量单位的参考。 |
| A Quick Tutorial on Generating a Huffman Tree | 教程 | 第6章 | 哈夫曼树构造的参考。 |
| Definition of Candling-How to Candle an Egg | 博客文章 | 第7章 | 验蛋背景参考。 |
| Typical Sets and the Curse of Dimensionality | 博客文章 | 第7章 | 高维几何和典型集参考。 |
| Candling Eggs | 机构资料 | 第7章 | 验蛋示例参考。 |
| Strange Spheres in Higher Dimensions | 视频 | 第7章 | 高维球体直观例子参考。 |
| The Curse of Dimensionality | 博客文章 | 第7章 | 维度灾难参考。 |
| Surprises in High Dimensions | 讲义 | 第7章 | 高维几何例子参考。 |
| Combination | 百科条目 | 第7章 | 二分类器组合数量参考。 |
| Machine learning and unintended consequences | 博客文章 | 第8章 | 训练数据伪特征的故事,真实性需谨慎。 |
| Cross Validation | 教程 | 第8章 | 交叉验证方法。 |
| Cockapoo | 网站条目 | 第8章 | 狗品种示例。 |
| Labradoodle | 网站条目 | 第8章 | 狗品种示例。 |
| Schnoodle | 网站条目 | 第8章 | 狗品种示例。 |
| Bias and Variance, Under-Fitting and Over-Fitting | 讲义 | 第9章 | 过拟合曲线及异常值参考。 |
| Why does regularization work? | 博客文章 | 第9章 | 正则化直观解释参考。 |
| Bias, Variance, and Overfitting | 教程 | 第9章 | 训练和验证误差参考。 |
| Machine Learning (CS 567) Notes | 讲义 | 第9章 | 带噪数据示例参考。 |
| Why b for Intercept? | 网站问答 | 第9章 | 直线截距记号参考。 |
| Why m for Slope? | 网站问答 | 第9章 | 直线斜率记号参考。 |
| Brainduster Memory School | 音频作品 | 第9章 | 记忆策略类比参考。 |
| Perceptrons: An Associative Learning Network | 教程 | 第10章 | 感知机历史参考。 |
| Low-Power Chips to Model a Billion Neurons | 杂志文章 | 第10章 | 神经形态芯片参考。 |
| How Different Antidepressants Work | 网站文章 | 第10章 | 神经递质和受体背景参考。 |
| A Primer of Drug Action | 书 | 第10章 | 生物神经元背景参考。 |
| Molecular Cell Biology | 书 | 第10章 | 神经元结构与功能参考。 |
| Cells of the Nervous System | 教学资料 | 第10章 | 神经系统细胞参考。 |
| Neuroscience | 书 | 第10章 | 生物神经元背景参考。 |
| IBM Researchers Make A Chip Full of Artificial Neurons | 网站文章 | 第10章 | 人工神经元芯片参考。 |
| History of Artificial Intelligence | 百科条目 | 第10章 | 人工智能发展历史参考。 |
| Neuron | 百科条目 | 第10章 | 神经元结构图参考。 |
| Perceptron | 百科条目 | 第10章 | 感知机历史参考。 |
| Embodied Cognition | 百科条目 | 第10章 | 具身认知观点参考。 |
| All men are mortal, Socrates is a man, therefore Socrates is mortal, original quote | 网站问答 | 第11章 | 三段论来源参考。 |
| Good Dog 101: Easy Lessons to Train Your Dog the Happy, Healthy Way | 书 | 第11章 | 动物训练例子参考。 |
| Hume’s Fork Explained | 网站文章 | 第11章 | 休谟之叉参考。 |
| A Positive-Minded Primer on Punishment and Reinforcement-with a Buddhist Twist (Part 1 of 2) | 博客文章 | 第11章 | 强化与惩罚分类参考。 |
| A Study in Scarlet | 书 | 第11章 | 福尔摩斯推理例子参考。 |
| The Sign of the Four | 书 | 第11章 | 福尔摩斯推理例子参考。 |
| The Adventure of the Cardboard Box | 小说 | 第11章 | 福尔摩斯推理例子参考。 |
| Overview of Examples & Types of Syllogisms | 网站教程 | 第11章 | 三段论形式参考。 |
| Philosophy 210: Logic | 课程资料 | 第11章 | 归纳推理参考。 |
| The Persuaders: The Hidden Industry That Wants To Change Your Mind | 书 | 第11章 | 论证与说服参考。 |
| Ancient Greek Philosophy | 百科条目 | 第11章 | 古希腊哲学背景参考。 |
| An Enquiry Concerning Human Understanding | 书 | 第11章 | 经验与理性讨论参考。 |
| A Concise Introduction to Logic | 书 | 第11章 | 逻辑谬误参考。 |
| Critique of Pure Reason | 书 | 第11章 | 知识和经验讨论参考。 |
| The Halting Problem | 网站文章 | 第11章 | 可表示与不可判定问题参考。 |
| Categorical Syllogisms | 教程 | 第11章 | 三段论定义参考。 |
| Don’t Shoot the Dog: The New Art of Teaching and Training | 书 | 第11章 | 动物训练例子参考。 |
| How to Teach Animals | 文章 | 第11章 | 行为主义背景参考。 |
| Biological Immortality | 百科条目 | 第11章 | 生物寿命例子参考。 |
| No Free Lunch Theorems for Optimization | 论文 | 第11章、第19章 | 优化器的平均性能与适用假设参考。 |
| Body Mass Index (BMI) | 机构资料 | 第12章 | 身高与体重组合例子参考。 |
| What were the original eight (8) colors in the 1903 box of Crayola Crayons | 机构资料 | 第12章 | 分类和独热编码示例参考。 |
| Principal Component Analysis | 课程讲义 | 第12章 | PCA 推导参考。 |
| Deep Learning Tutorial-PCA and Whitening | 博客教程 | 第12章 | PCA 和白化参考。 |
| A Theoretical Framework on the Ideal Number of Classifers for Online Ensembles in Data Streams | 论文 | 第14章 | 在线集成分类器数量讨论参考。 |
| Apollo Guidance Computer and the First Silicon Chips | 机构文章 | 第14章 | 阿波罗计算机历史参考。 |
| Decision Trees: How to Construct Them and How to Use Them for Classifying New Data | 课程资料 | 第14章 | 决策树与分类参考。 |
| What is an ensemble forecast? | 机构博客 | 第14章 | 集合预报参考。 |
| Explaining Adaboost | 书章节 | 第14章 | AdaBoost 算法说明参考。 |
| Glossary of Voting-Related Terms | 网站词汇表 | 第14章 | 投票术语参考。 |
| Determining The Optimal Number Of Clusters: 3 Must Know Methods | 博客文章 | 第15章 | 簇数选择。 |
| scikit-learn API Reference (0.19) | 官方文档 | 第15章 | API 参考。 |
| Documentation of scikit-learn 0.19 | 官方文档 | 第15章 | 旧版文档。 |
| scikit-learn 0.19 Model evaluation: quantifying the quality of predictions | 官方文档 | 第15章 | 模型评价。 |
| scikit-learn FAQ (0.19) | 官方文档 | 第15章 | 常见问题。 |
| scikit-learn 0.19 home page | 官方文档 | 第15章 | 书中使用的旧版。 |
| Installing scikit-learn (0.19) | 官方文档 | 第15章 | 旧版安装说明。 |
| RidgeClassifier (0.19) | 官方文档 | 第15章 | 估算器实例。 |
| sklearn.datasets Datasets (0.19) | 官方文档 | 第15章 | 数据集加载。 |
| seaborn: statistical data visualization | 框架 | 第15章 | 数据可视化。 |
| NumPy | 框架 | 第15章 | 数值计算依赖。 |
| SciPy | 框架 | 第15章 | 科学计算工具。 |
| scikit-image | 框架 | 第15章 | 图像处理工具。 |
| Hierarchical Modularity in Human Brain Functional Networks | 论文 | 第16章 | 脑网络分层结构。 |
| Hierarchical Visual Processing | 机构博客 | 第16章 | 视觉处理层次。 |
| Introduction to Graph Theory | 书 | 第16章 | 图论术语。 |
| Introduction to Diodes And Rectifiers, Chapter 3-Diodes and Rectifiers | 书章节 | 第17章 | 整流器类比。 |
| Optimal deep neural networks for sparse recovery via Laplace techniques | 论文 | 第17章 | 激活函数延伸研究。 |
| Signals and Systems | 书 | 第17章、第21章 | 信号系统参考。 |
| Trains4Africa blog | 博客 | 第17章 | 书中资料列表。 |
| Identifying and attacking the saddle point problem in high-dimensional non-convex optimization | 论文 | 第18章、第19章 | 鞍点与优化。 |
| The Delta Learning Rule Tutorial | 教程 | 第18章 | delta 学习规则。 |
| Who Invented the Reverse Mode of Differentiation? | 论文 | 第18章 | 反向微分历史。 |
| The Fallacy of Premature Optimization | 文章 | 第18章 | 优化方法。 |
| Convolutional Neural Networks for Visual Recognition | 课程讲义 | 第18章、第24章 | 卷积神经网络。 |
| Yes, You Should Understand Backprop | 网站文章 | 第18章 | 反向传播理解。 |
| Chain rule introduction | 课程资料 | 第18章 | 链式法则。 |
| A Brief History of Neural Nets and Deep Learning, Part 1 | 网站文章 | 第18章 | 神经网络历史。 |
| The Representation of the Cumulative Rounding Error of an Algorithm as a Taylor Expansion of the Local Rounding Errors | 硕士论文 | 第18章 | 反向微分历史。 |
| The Chain Rule | 报告 | 第18章 | 链式法则。 |
| Astronomers Predict Titanic Collision: Milky Way vs. Andromeda | 机构博客 | 第18章 | 时间尺度类比。 |
| Using Neural Networks to Recognize Handwritten Digits | 书章节 | 第18章 | 手写数字识别。 |
| Neural Networks and Deep Learning | 书 | 第18章 | 神经网络教程。 |
| Learning Internal Representations by Error Propagation | 书章节 | 第18章 | 反向传播历史。 |
| Who Invented Backpropagation? | 博客文章 | 第18章 | 反向传播历史。 |
| Introduction to Neural Networks | 课程讲义 | 第18章 | 神经网络基础。 |
| Who Invented the Great Numerical Algorithms? | 讲义 | 第18章 | 数值算法历史。 |
| Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences | 博士论文 | 第18章 | 反向传播历史。 |
| The Roots of Backpropagation: From Ordered Derivatives to Neural Networks and Political Forecasting | 书 | 第18章 | 反向传播历史。 |
| Goldilocks and the Three Bears | 百科条目 | 第18章 | 比喻参考。 |
| Practical Recommendations for Gradient-Based Training of Deep Architectures | 书章节 | 第19章 | 深度网络训练参考。 |
| Learning rate schedules for faster stochastic gradient search | 论文 | 第19章 | 学习率规划参考。 |
| Adaptive Subgradient Methods for Online Learning and Stochastic Optimization | 论文 | 第19章 | Adagrad参考。 |
| Neural Networks for Machine Learning: Lecture 6a, Overview of mini-batch gradient descent | 课程讲义 | 第19章 | 小批量梯度参考。 |
| What Is Batch Processing | 机构文档 | 第19章 | 批处理术语参考。 |
| Neural Networks Part 3: Learning and Evaluation | 课程讲义 | 第19章 | 训练和评估参考。 |
| Adam: a Method for Stochastic Optimization | 论文 | 第19章 | Adam 优化器参考。 |
| A method for unconstrained convex minimization problem with the rate of convergence o(1/k2) | 论文 | 第19章 | Nesterov 优化参考。 |
| CS-449: Neural Networks Course Notes, Momentum and Learning Rate Adaptation | 课程讲义 | 第19章 | 动量和学习率参考。 |
| On the momentum term in gradient descent learning algorithms | 论文 | 第19章 | 动量参考。 |
| An overview of gradient descent optimisation algorithms | 论文 | 第19章 | 梯度下降变体综述参考。 |
| The Lack of A Priori Distinctions Between Learning Theorems | 论文 | 第19章 | 学习理论参考。 |
| ADADELTA: An Adaptive Learning Rate Method | 论文 | 第19章 | Adadelta参考。 |
| Classification + localization results | 数据集网页 | 第20章、第21章 | ImageNet 竞赛结果。 |
| Your Home for Data Science | 网站 | 第20章 | 数据科学竞赛。 |
| Keras Documentation (2016) | 官方文档 | 第20章 | 层和网络 API。 |
| Netflix Prize | 竞赛网站 | 第20章 | 数据竞赛。 |
| ImageNet Large Scale Visual Recognition Challenge | 论文 | 第20章、第21章 | 图像识别基准。 |
| Explainable Artificial Intelligence: Understanding, Visualizing, and Interpreting Deep Learning Models | 论文 | 第20章 | 模型解释。 |
| Can Opinion Polls Ever Be Accurate? Probably Not | 网站文章 | 第20章 | 统计预测局限。 |
| Courts Are Using AI To Sentence Criminals. That Must Stop Now | 杂志文章 | 第20章 | 司法算法风险。 |
| How Many Nouns Are There In English? | 博客文章 | 第20章 | 类别规模示例。 |
| WaveNet: A Generative Model for Raw Audio | 论文 | 第20章、第22章 | 声音生成网络。 |
| Automated Inference on Criminality using Face Images | 论文 | 第20章 | 面相推断争议例子。 |
| Deep Neural Networks are More Accurate than Humans at Detecting Sexual Orientation from Facial Images | 预印本 | 第20章 | 面部推断争议例子。 |
| Why Google Thought This Black Woman Was a Gorilla | 播客 | 第20章 | 图像分类伤害案例。 |
| Understanding Convolutional Neural Networks for NLP | 博客文章 | 第21章 | 卷积用于文本参考。 |
| An Analysis of Deep Neural Network Models for Practical Applications | 论文 | 第21章 | 网络架构比较参考。 |
| Keras Examples: mnist_cnn.py | 源码项目 | 第21章 | 卷积网络示例参考。 |
| A Guide to Convolution Arithmetic for Deep Learning | 论文 | 第21章 | 卷积形状计算参考。 |
| Dermatologist-level classification of skin cancer with deep neural networks | 论文 | 第21章 | 图像分类案例参考。 |
| Concepts in Vertebrate Neuroethology | 论文 | 第21章 | 视觉感受野参考。 |
| Machine Learning is Fun! Part 3: Deep Learning and Convolutional Networks | 网站文章 | 第21章 | 卷积入门参考。 |
| Adversarial Spheres | 论文 | 第21章 | 对抗样本参考。 |
| Introduction to Computer Music: Chapter 4, Section 8: Convolution | 课程资料 | 第21章 | 卷积背景参考。 |
| An Explanation of Xavier Initialization | 博客文章 | 第21章 | 权重初始化参考。 |
| A Convolutional Neural Network for Modelling Sentences | 论文 | 第21章 | 文本卷积参考。 |
| Optimization: Stochastic Gradient Descent | 课程讲义 | 第21章 | 梯度下降参考。 |
| Convolutional Neural Networks for Sentence Classification | 论文 | 第21章 | 文本分类参考。 |
| Backpropagation applied to handwritten zip code recognition | 论文 | 第21章 | 早期卷积网络参考。 |
| Age and Gender Classification using Convolutional Neural Networks | 论文 | 第21章 | 图像分类案例参考。 |
| Network in Network | 论文 | 第21章 | 1×1 卷积参考。 |
| Image Restoration Using Convolutional Auto-encoders with Symmetric Skip Connections | 论文 | 第21章 | 图像恢复参考。 |
| Do You Suffer From RAS Syndrome? | 网站文章 | 第21章 | 术语说明参考。 |
| Universal adversarial perturbations | 论文 | 第21章 | 对抗扰动参考。 |
| Inceptionism: Going Deeper into Neural Networks | 博客文章 | 第21章、第28章 | 网络可视化参考。 |
| Deconvolution and Checkerboard Artifacts | 文章 | 第21章 | 转置卷积伪影参考。 |
| Invariant visual representation by single neurons in the human brain | 论文 | 第21章 | 视觉表示参考。 |
| Foolbox v0.8.0: A Python toolbox to benchmark the robustness of machine learning models | 论文 | 第21章 | 对抗鲁棒性工具参考。 |
| Welcome to Foolbox | 官方文档 | 第21章 | 鲁棒性工具参考。 |
| Hierarchical Models of the Visual System | 百科章节 | 第21章 | 视觉层级参考。 |
| CS1114 Section 6: Convolution | 课程讲义 | 第21章 | 卷积概念参考。 |
| Striving for Simplicity: The All Convolutional Net | 论文 | 第21章、第24章、第27章 | 全卷积网络参考。 |
| Deep learning face representation from predicting 10,000 classes | 论文 | 第21章 | 人脸表示参考。 |
| Going Deeper with Convolutions | 论文 | 第21章 | 卷积架构参考。 |
| Deepdream/Inceptionism - recap | 博客文章 | 第21章、第28章 | 网络可视化参考。 |
| Deconvolutional Networks | 论文 | 第21章 | 反卷积网络参考。 |
| Visualizing and Understanding Convolutional Networks | 论文 | 第21章 | 卷积网络可视化参考。 |
| Sciffman01(原书未列完整书目) | 未知 | 第21章 | 作者用于提示视觉类比存在争议;本书参考资料未提供对应条目。 |
| Rap-song Writing Recurrent Neural Network | 源码项目 | 第22章 | 歌词生成参考。 |
| Learning Long-Term Dependencies with Gradient Descent is Difficult | 论文 | 第22章 | 长期依赖参考。 |
| Demystifying Word2Vec | 博客文章 | 第22章 | 词向量参考。 |
| Learning to Learn Without Gradient Descent by Gradient Descent | 论文 | 第22章 | 学习优化参考。 |
| CNN Is All You Need | 论文 | 第22章 | 序列模型比较参考。 |
| Song From PI: A Musically Plausible Network for Pop Music Generation | 论文 | 第22章 | 音乐生成参考。 |
| Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling | 论文 | 第22章 | 门控网络比较参考。 |
| Gated Feedback Recurrent Neural Networks | 论文 | 第22章 | 门控循环网络参考。 |
| Harry Potter: Written by Artificial Intelligence | 博客文章 | 第22章 | 文本生成参考。 |
| Silicon Valley: A New Episode Written by AI | 博客文章 | 第22章 | 剧本生成参考。 |
| Photo-Real Talking Head with Deep Bidirectional LSTM | 论文 | 第22章 | 双向 LSTM 应用参考。 |
| Machine Learning is Fun Part 6: How to do Speech Recognition with Deep Learning | 网站文章 | 第22章 | 语音识别参考。 |
| Learning to forget: continual prediction with LSTM | 论文 | 第22章 | 遗忘门参考。 |
| Speech Recognition with Deep Recurrent Neural Networks | 论文 | 第22章 | 语音识别参考。 |
| Generating Sequences with Recurrent Neural Networks | 论文 | 第22章 | 序列生成参考。 |
| Sherlock Holmes collections (Project Gutenberg) | 网站文本 | 第22章 | 文本生成语料参考。 |
| Gradient Flow in Recurrent Nets: the Difficulty of Learning Long-Term Dependencies | 书章节 | 第22章 | 循环梯度参考。 |
| Long Short-Term Memory | 论文 | 第22章 | LSTM参考。 |
| Composing Music with Recurrent Neural Networks | 博客文章 | 第22章 | 音乐生成参考。 |
| Automated Image Captioning with ConvNets and Recurrent Nets | 研究资料 | 第22章 | 图像描述参考。 |
| Visualizing and Understanding Recurrent Networks | 论文 | 第22章 | RNN 可视化参考。 |
| The Unreasonable Effectiveness of Recurrent Neural Networks | 博客文章 | 第22章、第24章 | 字符生成参考。 |
| Bollywood Lyrics Aia Recurrent Neural Networks | 博客文章 | 第22章 | 歌词生成参考。 |
| A Critical Review of Recurrent Neural Networks for Sequence Learning | 论文 | 第22章 | 序列学习综述参考。 |
| Modeling and generating sequences of poly-phonic music with the RNN-RBM | 项目资料 | 第22章 | 音乐生成参考。 |
| Deep Captioning with Multimodal Recurrent Neural Networks (m-RNN) | 论文 | 第22章 | 图像描述参考。 |
| Efficient Estimation of Word Representations in Vector Space | 论文 | 第22章 | 词向量参考。 |
| Country Lyrics Created with Recurrent Neural Networks | 博客文章 | 第22章 | 歌词生成参考。 |
| A Recurrent Neural Network for Musical Structure Processing and Expectation | 论文 | 第22章 | 音乐结构参考。 |
| Understanding LSTM Networks | 博客文章 | 第22章 | LSTM 门控参考。 |
| On the difficulty of training recurrent neural networks | 论文 | 第22章 | 循环训练困难参考。 |
| A Simple Way to Initialize Recurrent Networks of Rectified Linear Units | 论文 | 第22章 | RNN 初始化参考。 |
| Written Memories: Understanding, Deriving and Extending the LSTM | 博客文章 | 第22章 | LSTM 推导参考。 |
| Bidirectional Recurrent Neural Networks | 论文 | 第22章 | 双向 RNN参考。 |
| The Infinite Irish Trad Session | 博客文章 | 第22章 | 音乐生成参考。 |
| Lisl’s Stis: Recurrent Neural Networks for Folk Music Generation | 博客文章 | 第22章 | 音乐生成参考。 |
| Vanishing Gradients & LSTMs | 博客文章 | 第22章 | 梯度消失参考。 |
| Sequence to Sequence Learning with Neural Networks | 论文 | 第22章 | 序列到序列参考。 |
| Sentiment Analysis on Movie Reviews using Recursive and Recurrent Neural Network Architectures | 论文 | 第22章 | 文本分类参考。 |
| Creating A Text Generator Using Recurrent Neural Network | 博客文章 | 第22章 | 文本生成参考。 |
| The Jumping Frog: in English, then in French, then Clawed Back into a Civilized Language Once More by Patient, Unremunerated Toil | 书 | 第22章 | 文本例子参考。 |
| Show and Tell: A Neural Image Caption Generator | 论文 | 第22章 | 图像描述参考。 |
| Image Captioning with Deep Bidirectional LSTMs | 论文 | 第22章 | 双向 LSTM 应用参考。 |
| A Comprehensive Study of Deep Bidirectional LSTM RNN for Acoustic Modeling in Speech Recognition | 论文 | 第22章 | 语音识别参考。 |
| What is the class of this image? | 网站 | 第23章 | 图像分类示例。 |
| MILA and the future of Theano | 邮件讨论 | 第23章 | Theano 项目背景。 |
| Keras Documentation (2017) | 官方文档 | 第23章、第24章 | 历史版本 API。 |
| Syntactic Structures | 书 | 第23章 | 模型类比。 |
| The Microsoft Cognitive Toolkit | 框架 | 第23章 | 后端计算。 |
| 28 Jupyter Notebook tips, tricks, and shortcuts | 网站文章 | 第23章 | 笔记本使用。 |
| Why Numbering Should Start at 0 | 文章 | 第23章 | 数组索引。 |
| VGG-16 pre-trained model for Keras | 源码项目 | 第23章 | 预训练模型。 |
| Transfer Learning and The Art of Using Pre-trained Models in Deep Learning | 博客文章 | 第23章 | 迁移学习。 |
| What is HDF5? | 官方文档 | 第23章 | 模型存储。 |
| Introducing JSON | 官方标准 | 第23章 | 模型配置格式。 |
| Transfer Learning | 课程讲义 | 第23章 | 预训练网络。 |
| The C Programming Language | 书 | 第23章 | Hello World 历史。 |
| The open standard for parallel programming of heterogeneous systems | 官方文档 | 第23章 | OpenCL 加速。 |
| The MNIST Database of Handwritten Digits | 数据集文档 | 第23章、第24章 | 手写数字示例。 |
| CUDA Home Page | 官方文档 | 第23章 | GPU 计算。 |
| Fluent Python: Clear, Concise, and Effective Programming | 书 | 第23章 | Python 语言。 |
| An in-depth look at Google’s first Tensor Processing Unit (TPU) | 机构博客 | 第23章 | 加速器。 |
| TensorFlow: Large-scale machine learning on heterogeneous systems | 框架 | 第23章 | 计算后端。 |
| Theano: A Python framework for fast computation of mathematical expressions | 框架 | 第23章 | 计算后端。 |
| How to Think Like a Computer Scientist: Learning with Python 3, Chapter 9: Tuples | 书章节 | 第23章 | Python 元组。 |
| Iris Flower Data Set | 百科条目 | 第23章 | 数据集示例。 |
| YAML Home Page | 官方文档 | 第23章 | 模型配置格式。 |
| How to tell Keras stop training based on loss value? | 网站问答 | 第23章 | 回调与早停。 |
| What is New Deck Order? | 网站问答 | 第24章 | 排序示例。 |
| stateful_lstm.py | 源码项目 | 第24章 | 有状态 LSTM 示例。 |
| Convolutional Neural Networks (CNN/ConvNets) | 课程讲义 | 第24章 | 卷积基础。 |
| Generators | 官方文档 | 第24章 | Python 生成器。 |
| Spearmint | 源码项目 | 第24章 | 超参数搜索。 |
| Spearmint (updated) | 源码项目 | 第24章 | 超参数搜索更新。 |
| Easy to use Keras ImageDataGenerator | 网站文章 | 第24章 | 图像增强。 |
| Tutorial-What is a variational autoencoder? | 博客文章 | 第25章 | VAE 入门参考。 |
| Audio File Size Calculations | 技术资料 | 第25章 | 音频压缩参考。 |
| Kernel-Predicting Convolutional Networks for Denoising Monte Carlo Renderings | 论文 | 第25章 | 蒙特卡洛降噪参考。 |
| Interactive Reconstruction of Monte Carlo Image Sequences using a Recurrent Denoising Autoencoder | 论文 | 第25章 | 循环降噪参考。 |
| Building Autoencoders in Keras | 博客文章 | 第25章 | 自编码器实现参考。 |
| Tutorial on Variational Autoencoders | 论文 | 第25章 | VAE 推导参考。 |
| mnist_autoencoder.prototxt | 源码项目 | 第25章 | 自编码器示例参考。 |
| Variational Autoencoders | 教程 | 第25章 | VAE 介绍参考。 |
| Variational Autoencoders Explained | 博客文章 | 第25章 | VAE 解释参考。 |
| Caffe | 官方文档 | 第25章 | 深度学习框架参考。 |
| Auto-encoding variational Bayes | 论文 | 第25章 | VAE 原始研究参考。 |
| Stochastic backpropagation and approximate inference in deep generative models | 论文 | 第25章 | 随机反向传播参考。 |
| Frankenstein; or, The Modern Prometheus | 书 | 第25章 | 生成样本比喻参考。 |
| Linear Autoencoders Do PCA | 博客文章 | 第25章 | 线性自编码器与 PCA参考。 |
| JPEG | 百科条目 | 第25章 | 图像编码参考。 |
| Latent variable | 百科条目 | 第25章 | 潜变量参考。 |
| MP3 | 百科条目 | 第25章 | 音频编码参考。 |
| An Alternative Softmax Operator for Reinforcement Learning | 论文 | 第26章 | 强化学习选择算子参考。 |
| Learning Light Transport the Reinforced Way | 论文 | 第26章 | 光传输应用参考。 |
| Machine Learning and Integral Equations | 论文 | 第26章 | 图形学应用参考。 |
| Alpha Go | 项目资料 | 第26章 | 围棋强化学习参考。 |
| Reinforcement Learning (Eden et al.) | 课程资料 | 第26章 | 强化学习教程参考。 |
| An Introduction to Ray Tracing | 书 | 第26章 | 光线追踪参考。 |
| Principles of Digital Image Synthesis | 书 | 第26章 | 图像合成参考。 |
| AlphaGo Zero: Learning From Scratch | 机构博客 | 第26章 | 围棋应用参考。 |
| The Rendering Equation | 论文 | 第26章 | 渲染方程参考。 |
| The Reinforcement Learning Problem | 课程资料 | 第26章 | 强化学习问题参考。 |
| The Mystery of Go, the Ancient Game That Computers Still Can’t Win | 杂志文章 | 第26章 | 围棋历史参考。 |
| Demystifying Deep Reinforcement Learning | 博客文章 | 第26章 | 深度强化学习参考。 |
| Convergence of Q-learning: A Simple Proof | 论文 | 第26章 | Q学习收敛参考。 |
| Playing Atari with Deep Reinforcement Learning | 论文 | 第26章 | 深度强化学习参考。 |
| On-Line Q-learning Using Connectionist Systems | 论文 | 第26章 | SARSA 相关研究参考。 |
| Mastering the Game of Go Without Human Knowledge | 论文 | 第26章 | AlphaGo Zero参考。 |
| Markov Processes | 课程讲义 | 第26章 | 马尔可夫过程参考。 |
| Beyond Invisibility — Engineering Light with Metamaterials | 网站文章 | 第26章 | 光学类比参考。 |
| How Many Atoms Are There In The Universe? | 网站文章 | 第26章 | 状态空间规模类比参考。 |
| Learning from Delayed Rewards | 博士论文 | 第26章 | Q学习参考。 |
| Autonomous Reinforcement Learning with Experience Replay | 论文 | 第26章 | 经验回放参考。 |
| Representation Learning and Adversarial Generation of 3D Point Clouds | 论文 | 第27章 | 点云生成参考。 |
| Towards Principled Methods for Training Generative Adversarial Networks | 论文 | 第27章 | GAN 训练参考。 |
| Wasserstein GAN | 论文 | 第27章 | GAN 优化参考。 |
| Bach on Abbey Road | 音乐专辑 | 第27章 | 生成风格类比参考。 |
| Optimizing the Latent Space of Generative Networks | 论文 | 第27章 | 潜在空间优化参考。 |
| Strategies of Play | 课程资料 | 第27章 | 博弈策略参考。 |
| Dub Side of the Moon | 音乐专辑 | 第27章 | 生成风格类比参考。 |
| Abusing Generative Adversarial Networks to Make 8-bit Pixel Art | 博客文章 | 第27章 | GAN 图像生成参考。 |
| KERAS-DCGAN | 源码项目 | 第27章 | DCGAN 示例参考。 |
| Generative Adversarial Networks | 论文 | 第27章 | GAN 原始研究参考。 |
| NIPS 2016 Tutorial: Generative Adversarial Networks | 教程 | 第27章 | GAN 概览参考。 |
| Progressive Growing of GANs for Improved Quality, Stability, and Variation | 论文 | 第27章 | 大图生成参考。 |
| CS312 Recitation 21: Minimax search and Alpha-Beta Pruning | 课程讲义 | 第27章 | 博弈搜索参考。 |
| Look Around You: Calcium, Part 1 | 视频 | 第27章 | 生成类比参考。 |
| Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks | 论文 | 第27章 | DCGAN参考。 |
| Strategy: An Introduction to Game Theory | 书 | 第27章 | 博弈论参考。 |
| Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks | 论文 | 第27章 | 图像转换参考。 |
| Modern Movements and Styles-Full List | 网站资料 | 第28章 | 艺术风格参考。 |
| FractalLab: Interactive WebGL Fractal Explorer | 源码项目 | 第28章 | 分形图像参考。 |
| Neural_Artistic_Style_Transfer | 源码项目 | 第28章 | 风格迁移参考。 |
| Neural Algorithm of Artistic Style | 论文 | 第28章 | 神经风格迁移参考。 |
| Image Style Transfer Using Convolutional Neural Networks | 论文 | 第28章 | 风格迁移参考。 |
| ImageNet Large Scale Visual Recognition Challenge 2014 (ILSVRC2014) | 网站 | 第28章 | 图像识别基准参考。 |
| Neural Style Transfer: A Review | 论文 | 第28章 | 风格迁移综述参考。 |
| Demystifying Neural Style Transfer | 论文 | 第28章 | 风格迁移机制参考。 |
| I Let Apple’s QuickType Keyboard Take Over My iPhone | 网站文章 | 第28章 | 文本生成例子参考。 |
| Neural-Style-Transfer | 源码项目 | 第28章 | 风格迁移实现参考。 |
| Fractal Art: How to Create Grand Julians in Apophysis | 教程 | 第28章 | 分形艺术参考。 |
| Artistic Style Transfer for Videos and Spherical Images | 论文 | 第28章 | 视频风格迁移参考。 |
| Style (visual arts) | 百科条目 | 第28章 | 视觉风格参考。 |
资金安全问题案例
| 问题标题 | 问题卡 | 解决方案卡(如有) | 出现章节 | 一句话说明 |
|---|
实践卡进度
| 序号 | 实践标题 | 实践方式 | 状态(pending/done) | 关联章节 | 产出 |
|---|---|---|---|---|---|
| 001 | 追踪逐折预处理 | 实现深读 | done | 第15、24章 | 阅读计划 |
| 002 | 追踪LSTM状态与门 | 实现深读 | done | 第22、24章 | 阅读计划 |
实践候选筛选:done。采用逐折预处理与 LSTM 两个实现深读计划,分别覆盖评估流程和序列状态。CNN 张量形状可并入模型源码阅读,数据集选择与许可核查属于预处理计划的前置检查;GAN 生成质量和 VAE 潜在空间虽适合后续实验,但另起实验需额外数据、算力和评价设计,本轮优先保留已有两个可直接开展的源码计划。两个计划均已准备首轮材料,尚未执行完整实践。
相关主题
从本书的主题进入跨书阅读,对照其他书籍的讲解。下方数量包含主题关联的全部卡片与书籍。
暂无公开主题。