Python_深度学习实战：75个有关神经网络建模、强化学习与迁移学习的解决方案

III 译者序 得益于大数据的涌现、运算力的提升和机器学习新算法（深度学习）的出现，人工 智能的浪潮正在席卷全球，诸多词汇开始萦绕在我们的耳边，首当其冲的就是人工智能 （Artificial Intelligence） 、机器学习（Machine Learning）和深度学习（Deep Learning） 。人工 智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能 相似的方式做出反应的智能机器，也就是研究、开发能够用于模拟、延伸和扩展人类智能 的理论、方法、技术及应用系统的一门新的技术科学。该领域的研究包括机器人、语言识 别、图像识别、自然语言处理和专家系统等。机器学习是实现人工智能的主流方法，最基 本的做法是使用算法来解析数据从中进行学习，然后对真实世界中的事件做出决策和预测。 与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练” 模型，通过各种算法从数据中学习如何完成任务。而深度学习又是实现机器学习的核心技 术，最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络 可理解为包含多个隐层（数十层，甚至上百层）的大规模人工神经元互连结构。为了提高 深度神经网络的训练效果，可对神经元的连接方法和激活函数等方面做出相应的调整，以 使模式识别或预测结果达到最优。深度学习摧枯拉朽般地实现了各种目标，使得似乎所有 的机器辅助功能都变为可能，诸如无人驾驶汽车、个性化医疗保健、人脸识别、自然语言 处理、网上购物推荐等都是深度学习的典型应用场景。 本书以自上而下和自下而上的方法来展示针对不同领域实际问题的深度学习解决方 案，包括图像识别、自然语言处理、时间序列预测和机器人操纵等。还讨论了采用诸如 TensorFlow、PyTorch、Keras 和 CNTK 等流行的深度学习开源框架用于实际问题的解决方 案及其优缺点。本书内容包括：用于深度学习的编程环境、GPU 计算和云端解决方案；前 馈神经网络与卷积神经网络；循环与递归神经网络；强化学习与生成对抗网络；深度学习 用于计算机视觉、自然语言处理、语音识别、视频分析、时间序列预测、结构化数据分析 以及游戏智能体（Agents）和机器人操控等。最后讨论了深度学习的超参数选择和神经网 络的内在结构以及预训练模型的使用技巧等。本书将带读者进入深度学习的实战场景，通 过使用诸如 TensorFlow 与 Keras 等 Python 深度学习流行框架而进行自然语言处理、图像 识别、时间序列预测等实战演练。本书适用于人工智能培训班、大学生创新创业实战训练、 研究生课题演练、程序员实力提升等方面。本书的出版得益于机械工业出版社......