书籍介绍
自早期以来，神经网络就一直是人工智能的支柱。现在，令人兴奋的新技术（例如深度学习和卷积）正在将神经网络带入一个全新的方向。在本书中，我们将演示各种现实世界任务中的神经网络，例如图像识别和数据科学。我们研究了当前的神经网络技术，包括ReLU 激活、随机梯度下降、交叉熵、正则化、Dropout 及可视化等。
目录
用户评论
很好的图书，从广度范围介绍了初学者需要知道的典型网络极其基本概念。
算法讲解的真是粗糙,可能还是让人自己看代码吧,怪不得宏伟的5部曲计划完不成了..
神经网络接收一个数组，输出第二个数组。神经网络编程中最困难的一个方面是如何将问题转换为固定长度的浮点数数组。
梯度是误差函数对神经网络中每个权重的偏导数。
反向传播就是将梯度添加到权重中。通过学习率来缩放权重，动量用于逃逸局部最值。随着训练的进行而降低学习率，动量与学习率反向变化。
深度神经网络是包含两个以上隐藏层的所有神经网络，结合了无监督和有监督。卷积是一项经常与深度学习结合的重要技术。卷积的一种方法是稀疏连接，即不会产生所有可能的权重连接。卷积层的主要目的是检测特征。正则化可以防止过拟合。
对于时序问题，可以将时间序列编码为输入特征向量，也可以使用循环神经网络。前馈神经网络不保持任何状态。循环神经网络的状态充当了神经网络的一种短期记忆。