深度学习（影印版） [Deep Learning] pdf epub mobi txt 电子书 下载 2026

内容简介

在引入开源Deeplearning4j（DL4J）库用于开发产品级工作流之前，作者Josh Patterson和Adam Gibson介绍了深度学习——调优、并行化、向量化及建立管道——任何库所需的基础知识。通过真实的案例，你将学会在Spark和Hadoop上用DL4J训练深度网络架构并运行深度学习工作流的方法和策略。

* 深入机器学习一般概念，特别是深度学习相关概念
* 理解深度网络如何从神经网络基础演化
* 探索主流深度网络架构，包括Convolutional和Recurrent
* 学习如何将特定的深度网络映射到具体的问题
* 一般神经网络和特定深度网络架构调优基础概览
* 为不同的数据类型使用DL4J的工作流工具DateVec实现向量化
* 学习如何在Spark和Hadoop本地使用DL4J

作者简介

Josh Patterson目前是Skymind的现场工程副总裁。他此前曾在Cloudera担任高级解决方案架构师，在Tennessee Valley Authority担任机器学习和分布式系统工程师。

Adam Gibson是Skymind的CTO。Adam曾与财富500强企业、对冲基金、公关公司和创投加速器等机构合作，创建它们的机器学习项目。他在帮助这些公司处理和阐释大规模实时数据方面颇具深厚经验。

精彩书评

（这本书包含了）开发者所需知道的关于真实世界中深度学习如何起步的一切。

—— Grant Ingersoll （Lucidworks的CTO）

目录

Preface
1. A Review of Machine Learning
The Learning Machines
How Can Machines Learn?
Biological Inspiration
What Is Deep Learning?
Going Down the Rabbit Hole
Framing the Questions
The Math Behind Machine Learning： Linear Algebra
Scalars
Vectors
Matrices
Tensors
Hyperplanes
Relevant Mathematical Operations
Converting Data Into Vectors
Solving Systems of Equations
The Math Behind Machine Learning： Statistics
Probability
Conditional Probabilities
Posterior Probability
Distributions
Samples Versus Population
Resampling Methods
Selection Bias
Likelihood
How Does Machine Learning Work?
Regression
Classification
Clustering
Underfitting and Overfitting
Optimization
Convex Optimization
Gradient Descent
Stochastic Gradient Descent
Quasi-Newton Optimization Methods
Generative Versus Discriminative Models
Logistic Regression
The Logistic Function
Understanding Logistic Regression Output
Evaluating Models
The Confusion Matrix
Building an Understanding of Machine Learning

2. Foundations of Neural Networks and Deep Learning.
Neural Networks
The Biological Neuron
The Perceptron
Multilayer Feed-Forward Networks
Training Neural Networks
Backpropagation Learning
Activation Functions
Linear
Sigmoid
Tanh
Hard Tanh
Softmax
Rectified Linear
Loss Functions
Loss Function Notation
Loss Functions for Regression
Loss Functions for Classification
Loss Functions for Reconstruction
Hyperparameters
Learning Rate
Regularization
Momentum
Sparsity

3. Fundamentals of Deep Networks
4. Major Architectures of Deep Networks
5. Building Deep Networks
6. Tuning Deep Networks
7. Tuning Specific Deep Networks Architecture
8. Vectorization
9. Using Deep Learning and DL4J on Spark
A. What Is Artificial Intelligence?
B. RL4J and Reinforcement Learning
C. Numbers Everyone Should Know
D. Neural Networks and Backpropagation： A Mathematical Approach
E. Using the ND4J API

《智识之潮：揭秘信息时代的知识生产与传播》 内容简介： 信息时代，我们正以前所未有的速度被海量信息所裹挟。从社交媒体上的碎片化观点，到学术期刊中的严谨论证，再到新闻报道的实时更新，知识的生产和传播已然形成了一股汹涌的智识之潮，深刻地改变着我们的认知方式、决策过程，乃至整个社会的运作模式。本书并非聚焦于某一种特定的技术或学科，而是旨在深入探讨这场波澜壮阔的智识革命的本质、驱动力、影响以及我们应如何与之共处。 第一章：智识的裂变：从工业文明到信息文明 本章将带领读者回溯历史的长河，审视人类文明的几次重大转型，特别是工业革命如何奠定了大规模生产和标准化知识的基础，以及信息革命又是如何打破这一格局，带来了知识生产和传播的去中心化、个性化和即时性。我们将剖析从印刷术到互联网，再到移动互联和大数据时代的知识传播媒介的演进，理解这些技术革新如何在结构上重塑了知识的形态和流动。我们将探讨“知识精英”与“大众”之间的界限如何逐渐模糊，信息鸿沟的形成与弥合，以及在信息爆炸的背景下，个体如何从被动的信息接收者转变为主动的知识建构者。我们将通过历史案例，如古腾堡印刷术对宗教改革和科学革命的推动作用，以及互联网如何催生出维基百科、开源社区等新型知识形态，来佐证智识形态的演变。 第二章：知识生产的新引擎：众包、众创与协作的时代 信息时代最显著的特征之一，便是知识生产的民主化和参与性。本章将深入剖析“众包”（Crowdsourcing）和“众创”（Crowds-creation）等新模式如何颠覆了传统的知识生产机制。我们将考察不同领域的实践案例，例如开源软件的开发模式如何通过全球社区的协作，产生出强大的技术力量；维基百科如何汇聚全球志愿者的智慧，构建出庞大而持续更新的知识库；在线教育平台如何让知识的传播和再创造变得更加便捷和普惠。本章还将探讨众包和众创对传统学术研究、内容生产、甚至艺术创作的潜在影响，以及如何设计和管理这些参与式知识生产项目，以激发个体的创造力，并确保知识的质量和可靠性。我们将讨论激励机制、质量控制、版权归属等议题，为理解和运用这些新兴模式提供理论框架和实践指导。 第三章：算法的审视：信息过滤、个性化推荐与认知偏差 随着数据量的爆炸式增长，算法已成为信息时代过滤、组织和分发知识的核心力量。本章将聚焦于算法在信息传播中的双重角色：一方面，它极大地提高了信息获取的效率，实现了个性化推荐，满足了用户的多样化需求；另一方面，算法也可能带来“信息茧房”、“回声室效应”等问题，加剧认知固化和群体极化。我们将深入探讨推荐算法的工作原理，分析其在社交媒体、新闻聚合、电商平台等场景下的应用，并揭示算法可能存在的偏见及其对用户认知和行为的潜在影响。本章还将探讨如何提升算法的透明度和可解释性，以及个体应如何培养批判性思维，以应对算法带来的挑战，做出更明智的信息选择。我们将引用关于社交媒体算法如何影响政治议程的学术研究，以及用户如何通过调整设置来打破信息茧房的实践建议，以期帮助读者更理性地认识算法。 第四章：知识的边界：跨学科融合、交叉创新与知识的重组 信息时代的知识流动性大大增强，不同学科、不同领域之间的界限日益模糊，跨学科的融合与交叉创新成为推动智识进步的重要驱动力。本章将探讨这种“知识的重组”现象，分析不同学科知识如何在新的技术和应用场景下发生碰撞、融合，并催生出全新的研究方向和创新成果。我们将考察人工智能与生物医学的结合在基因测序和药物研发上的突破；大数据分析在社会科学、经济学、环境科学等领域的广泛应用；以及设计思维、用户体验等概念如何跨越技术和商业的界限，重塑产品和服务。本章将强调培养“T型人才”的重要性，即在某一领域拥有深厚的专业知识，同时具备跨学科的视野和能力。我们将通过介绍一些在跨学科研究领域取得突破性进展的团队和项目，来展示知识融合的巨大潜力，并启发读者思考如何在自己的领域内寻求跨界合作的机会。 第五章：数字时代的学习：终身学习、微认证与技能的重塑 信息时代的快速发展要求个体必须不断更新知识和技能，以适应不断变化的工作环境和社会需求。“终身学习”不再是一个口号，而是一种生存的必需。本章将探讨数字时代学习的新模式和新趋势。我们将分析在线学习平台（MOOCs）的兴起及其对传统教育的挑战，探讨微认证（Micro-credentials）如何帮助个体快速获得特定技能，以及新兴的“游戏化学习”、“沉浸式学习”等技术如何提升学习的趣味性和有效性。本章还将讨论在海量信息中筛选出有价值的学习内容，以及如何构建有效的个人知识管理系统。我们将引用关于成年人学习心理学的研究，以及一些成功人士分享的终身学习经验，来为读者提供可行的学习策略。 第六章：知识的伦理与治理：信息真实性、隐私保护与责任边界 在信息洪流奔涌的同时，知识的伦理和治理问题也日益凸显。本章将深入探讨信息时代的知识伦理挑战。我们将关注“假新闻”的泛滥及其对社会信任的侵蚀，探讨如何辨别信息真伪，以及平台和个人在传播信息时应承担的责任。同时，我们将讨论个人数据隐私在信息收集和分析过程中的重要性，以及如何平衡数据利用与隐私保护之间的关系。本章还将触及人工智能伦理、算法偏见治理等前沿问题，探讨如何在技术发展的同时，构建更加公平、透明和负责任的知识生态系统。我们将引用关于社交媒体内容审核机制的讨论，以及数据隐私保护法规的案例，来强调伦理规范在信息时代的重要性。 第七章：驾驭智识之潮：个人与社会的应对之道 面对汹涌而来的智识之潮，个人和社会都需要积极探索有效的应对策略。本章将总结前文的论述，并提出面向未来的思考。对于个人而言，我们将强调培养批判性思维、信息素养、终身学习能力和跨界整合能力的重要性。对于社会而言，我们将探讨如何构建更健康、更包容的知识传播生态，如何通过教育改革适应信息时代的需求，以及如何利用技术创新解决社会问题，而非被技术所奴役。本章将鼓励读者反思自身在智识之潮中的位置，并思考如何成为一个更具智慧、更具适应力、更能为社会贡献价值的信息时代公民。我们将以一些前瞻性的社会发展理念和个人成长模型为蓝本，为读者描绘一个积极主动的未来图景。 《智识之潮：揭秘信息时代的知识生产与传播》是一次对我们所处时代的深度观察和理性剖析。它旨在为读者提供一个更广阔的视野，帮助我们理解信息时代知识的复杂性，洞察其背后的驱动力，并最终找到驾驭这股强大智识之潮的方法，从而在这个变革的时代中，成为知识的创造者、传播者和智慧的实践者。