最新章節

• 看完了
• 作者簡介
• 14.7 結束語
• 14.6.3 探索Keras生態系統
• 14.6.2 在arXiv上了解最新進展
• 14.6.1 在Kaggle上練習解決現實世界的問題

• 看完了 更新時間：2022-09-14 15:45:19
• 作者簡介
• 14.7 結束語
• 14.6.3 探索Keras生態系統
• 14.6.2 在arXiv上了解最新進展
• 14.6.1 在Kaggle上練習解決現實世界的問題
• 14.6 了解快速發展的領域的最新進展
• 14.5.4 長期愿景
• 14.5.3 終身學習和模塊化子程序復用
• 14.5.2 將深度學習與程序合成融合
• 14.5.1 模型即程序
• 14.5 深度學習的未來
• 14.4.3 深度學習所缺失的那一半
• 14.4.2 兩種抽象
• 14.4.1 智能是對抽象類比的敏感性
• 14.4 實現智能：缺失的內容
• 14.3.2 新目標
• 14.3.1 設定正確目標的重要性：捷徑法則
• 14.3 如何實現更加通用的人工智能
• 14.2.5 逐步提高泛化能力
• 14.2.4 智能的目的
• 14.2.3 局部泛化與極端泛化
• 14.2.2 自動機與智能體
• 14.2.1 將機器學習模型擬人化的風險
• 14.2 深度學習的局限性
• 14.1.7 可能性空間
• 14.1.6 關鍵網絡架構
• 14.1.5 機器學習的通用工作流程
• 14.1.4 關鍵的推動技術
• 14.1.3 如何看待深度學習
• 14.1.2 深度學習在機器學習領域中的特殊之處
• 14.1.1 人工智能的多種方法
• 14.1 重點概念顧
• 第14章 總結
• 13.3 本章總結
• 13.2.3 TPU訓練
• 13.2.2 多GPU訓練
• 13.2.1 使用混合精度加快GPU上的訓練速度
• 13.2 加速模型訓練
• 13.1.2 模型集成
• 13.1.1 超參數優化
• 13.1 將模型性能發揮到極致
• 第13章 適合現實世界的最佳實踐
• 12.6 本章總結
• 12.5.7 小結
• 12.5.6 對抗網絡
• 12.5.5 生成器
• 12.5.4 判別器
• 12.5.3 CelebA數據集
• 12.5.2 諸多技巧
• 12.5.1 簡要實現流程
• 12.5 生成式對抗網絡入門
• 12.4.5 小結
• 12.4.4 用Keras實現變分自編碼器
• 12.4.3 變分自編碼器
• 12.4.2 圖像編輯的概念向量
• 12.4.1 從圖像潛在空間中采樣
• 12.4 用變分自編碼器生成圖像
• 12.3.4 小結
• 12.3.3 用Keras實現神經風格遷移
• 12.3.2 風格損失
• 12.3.1 內容損失
• 12.3 神經風格遷移
• 12.2.2 小結
• 12.2.1 用Keras實現DeepDream
• 12.2 DeepDream
• 12.1.6 小結
• 12.1.5 帶有可變溫度采樣的文本生成調函數
• 12.1.4 用Keras實現文本生成
• 12.1.3 采樣策略的重要性
• 12.1.2 如何生成序列數據
• 12.1.1 生成式深度學習用于序列生成的簡史
• 12.1 文本生成
• 第12章 生成式深度學習
• 11.6 本章總結
• 11.5.3 使用Transformer進行序列到序列學習
• 11.5.2 RNN的序列到序列學習
• 11.5.1 機器翻譯示例
• 11.5 超越文本分類：序列到序列學習
• 11.4.4 何時使用序列模型而不是詞袋模型
• 11.4.3 Transformer編碼器
• 11.4.2 多頭注意力
• 11.4.1 理解自注意力
• 11.4 Transformer架構
• 11.3.3 將單詞作為序列處理：序列模型方法
• 11.3.2 將單詞作為集合處理：詞袋方法
• 11.3.1 準備IMDB影評數據
• 11.3 表示單詞組的兩種方法：集合和序列
• 11.2.4 使用TextVectorization層
• 11.2.3 建立詞表索引
• 11.2.2 文本拆分（詞元化）
• 11.2.1 文本標準化
• 11.2 準備文本數據
• 11.1 自然語言處理概述
• 第11章 深度學習處理文本
• 10.5 本章總結
• 10.4.4 進一步實驗
• 10.4.3 使用雙向RNN
• 10.4.2 循環層堆疊
• 10.4.1 利用循環dropout降低過擬合
• 10.4 RNN的高級用法
• Keras中的循環層
• 10.3 理解RNN
• 10.2.5 第一個RNN基準
• 10.2.4 一維卷積模型
• 10.2.3 基本的機器學習模型
• 10.2.2 基于常識、不使用機器學習的基準
• 10.2.1 準備數據
• 10.2 溫度預測示例
• 10.1 不同類型的時間序列任務
• 第10章 深度學習處理時間序列
• 9.5 本章總結
• 9.4.3 類激活熱力圖的可視化
• 9.4.2 卷積神經網絡濾波器的可視化
• 9.4.1 中間激活值的可視化
• 9.4 解釋卷積神經網絡學到的內容
• 9.3.5 綜合示例：一個類似Xception的迷你模型
• 9.3.4 深度可分離卷積
• 9.3.3 批量規范化
• 9.3.2 殘差連接
• 9.3.1 模塊化、層次結構和復用
• 9.3 現代卷積神經網絡架構模式
• 9.2 圖像分割示例
• 9.1 三項基本的計算機視覺任務
• 第9章 計算機視覺深度學習進階
• 8.4 本章總結
• 8.3.2 微調預訓練模型
• 8.3.1 使用預訓練模型做特征提取
• 8.3 使用預訓練模型
• 8.2.5 使用數據增強
• 8.2.4 數據預處理
• 8.2.3 構建模型
• 8.2.2 下載數據
• 8.2.1 深度學習對數據量很小的問題的適用性
• 8.2 在小型數據集上從頭開始訓練一個卷積神經網絡
• 8.1.2 最大匯聚運算
• 8.1.1 卷積運算
• 8.1 卷積神經網絡入門
• 第8章 計算機視覺深度學習入門
• 7.5 本章總結
• 7.4.5 在fit()中使用自定義訓練循環
• 7.4.4 利用tf.function加快運行速度
• 7.4.3 完整的訓練循環和評估循環
• 7.4.2 指標的低階用法
• 7.4.1 訓練與推斷
• 7.4 編寫自定義的訓練循環和評估循環
• 7.3.4 利用TensorBoard進行監控和可視化
• 7.3.3 編寫自定義調函數
• 7.3.2 使用調函數
• 7.3.1 編寫自定義指標
• 7.3 使用內置的訓練循環和評估循環
• 7.2.5 用正確的工具完成工作
• 7.2.4 混合使用不同的組件
• 7.2.3 模型子類化
• 7.2.2 函數式API
• 7.2.1 序貫模型
• 7.2 構建Keras模型的不同方法
• 7.1 Keras工作流程
• 第7章 深入 Keras
• 6.4 本章總結
• 6.3.4 維護模型
• 6.3.3 監控模型在真實環境中的性能
• 6.3.2 部署推斷模型
• 6.3.1 向利益相關者解釋你的工作并設定預期
• 6.3 部署模型
• 6.2.5 模型正則化與調節超參數
• 6.2.4 擴大模型規模：開發一個過擬合的模型
• 6.2.3 超越基準
• 6.2.2 選擇評估方法
• 6.2.1 準備數據
• 6.2 開發模型
• 6.1.4 選擇衡量成功的指標
• 6.1.3 理解數據
• 6.1.2 收集數據集
• 6.1.1 定義問題
• 6.1 定義任務
• 第6章 機器學習的通用工作流程
• 5.5 本章總結
• 5.4.4 模型正則化
• 5.4.3 提前終止
• 5.4.2 特征工程
• 5.4.1 數據集管理
• 5.4 提高泛化能力
• 5.3.3 提高模型容量
• 5.3.2 利用更好的架構預設
• 5.3.1 調節關鍵的梯度下降參數
• 5.3 改進模型擬合
• 5.2.3 模型評估的注意事項
• 5.2.2 超越基于常識的基準
• 5.2.1 訓練集、驗證集和測試集
• 5.2 評估機器學習模型
• 5.1.2 深度學習泛化的本質
• 5.1.1 欠擬合與過擬合
• 5.1 泛化：機器學習的目標
• 第5章 機器學習基礎
• 4.4 本章總結
• 4.3.6 小結
• 4.3.5 對新數據進行預測
• 4.3.4 利用K折交叉驗證來驗證你的方法
• 4.3.3 構建模型
• 4.3.2 準備數據
• 4.3.1 波士頓房價數據集
• 4.3 預測房價：標量歸問題示例
• 4.2.9 小結
• 4.2.8 進一步實驗
• 4.2.7 擁有足夠大的中間層的重要性
• 4.2.6 處理標簽和損失的另一種方法
• 4.2.5 對新數據進行預測
• 4.2.4 驗證你的方法
• 4.2.3 構建模型
• 4.2.2 準備數據
• 4.2.1 路透社數據集
• 4.2 新聞分類：多分類問題示例
• 4.1.7 小結
• 4.1.6 進一步實驗
• 4.1.5 利用訓練好的模型對新數據進行預測
• 4.1.4 驗證你的方法
• 4.1.3 構建模型
• 4.1.2 準備數據
• 4.1.1 IMDB數據集
• 4.1 影評分類：二分類問題示例
• 第4章 神經網絡入門：分類與回歸
• 3.7 本章總結
• 3.6.7 推斷：在訓練后使用模型
• 3.6.6 監控驗證數據上的損失和指標
• 3.6.5 理解fit()方法
• 3.6.4 選擇損失函數
• 3.6.3 編譯步驟：配置學習過程
• 3.6.2 從層到模型
• 3.6.1 層：深度學習的基礎模塊
• 3.6 神經網絡剖析：了解核心Keras API
• 3.5.4 一個端到端的例子：用TensorFlow編寫線性分類器
• 3.5.3 重溫GradientTape API
• 3.5.2 張量運算：用TensorFlow進行數學運算
• 3.5.1 常數張量和變量
• 3.5 TensorFlow入門
• 3.4.2 使用Colaboratory
• 3.4.1 Jupyter筆記本：運行深度學習實驗的首選方法
• 3.4 建立深度學習工作區
• 3.3 Keras和TensorFlow簡史
• 3.2 Keras簡介
• 3.1 TensorFlow簡介
• 第3章 Keras和TensorFlow入門
• 2.6 本章總結
• 2.5.4 評估模型
• 2.5.3 完整的訓練循環
• 2.5.2 完成一次訓練步驟
• 2.5.1 用TensorFlow從頭開始重新實現第一個例子
• 2.5 顧第一個例子
• 2.4.4 鏈式求導：反向傳播算法
• 2.4.3 隨機梯度下降
• 2.4.2 張量運算的導數：梯度
• 2.4.1 什么是導數
• 2.4 神經網絡的“引擎”：基于梯度的優化
• 2.3.6 深度學習的幾何解釋
• 2.3.5 張量運算的幾何解釋
• 2.3.4 張量變形
• 2.3.3 張量積
• 2.3.2 廣播
• 2.3.1 逐元素運算
• 2.3 神經網絡的“齒輪”：張量運算
• 2.2.12 視頻數據
• 2.2.11 圖像數據
• 2.2.10 時間序列數據或序列數據
• 2.2.9 向量數據
• 2.2.8 現實世界中的數據張量實例
• 2.2.7 數據批量的概念
• 2.2.6 在NumPy中操作張量
• 2.2.5 關鍵屬性
• 2.2.4 3階張量與更高階的張量
• 2.2.3 矩陣（2階張量）
• 2.2.2 向量（1階張量）
• 2.2.1 標量（0階張量）
• 2.2 神經網絡的數據表示
• 2.1 初識神經網絡
• 第2章 神經網絡的數學基礎
• 1.3.6 這種趨勢會持續下去嗎
• 1.3.5 深度學習的普及
• 1.3.4 新一輪投資熱潮
• 1.3.3 算法
• 1.3.2 數據
• 1.3.1 硬件
• 1.3 為什么要用深度學習，為什么是現在
• 1.2.7 機器學習現狀
• 1.2.6 深度學習有何不同
• 1.2.5 到神經網絡
• 1.2.4 決策樹、隨機森林和梯度提升機
• 1.2.3 核方法
• 1.2.2 早期神經網絡
• 1.2.1 概率建模
• 1.2 深度學習之前：機器學習簡史
• 1.1.8 人工智能的未來
• 1.1.7 不要相信短期炒作
• 1.1.6 深度學習已取得的進展
• 1.1.5 用三張圖理解深度學習的工作原理
• 1.1.4 深度學習之“深度”
• 1.1.3 從數據中學習規則與表示
• 1.1.2 機器學習
• 1.1.1 人工智能
• 1.1 人工智能、機器學習和深度學習
• 第1章 什么是深度學習
• 關于封面
• 更多信息
• 本書論壇
• 關于代碼
• 誰應該閱讀本書
• 關于本書
• 致謝
• 前言
• 獻詞
• 版權聲明
• 版權信息
• 封面

• 封面
• 版權信息
• 版權聲明
• 獻詞
• 前言
• 致謝
• 關于本書
• 誰應該閱讀本書
• 關于代碼
• 本書論壇
• 更多信息
• 關于封面
• 第1章 什么是深度學習
• 1.1 人工智能、機器學習和深度學習
• 1.1.1 人工智能
• 1.1.2 機器學習
• 1.1.3 從數據中學習規則與表示
• 1.1.4 深度學習之“深度”
• 1.1.5 用三張圖理解深度學習的工作原理
• 1.1.6 深度學習已取得的進展
• 1.1.7 不要相信短期炒作
• 1.1.8 人工智能的未來
• 1.2 深度學習之前：機器學習簡史
• 1.2.1 概率建模
• 1.2.2 早期神經網絡
• 1.2.3 核方法
• 1.2.4 決策樹、隨機森林和梯度提升機
• 1.2.5 到神經網絡
• 1.2.6 深度學習有何不同
• 1.2.7 機器學習現狀
• 1.3 為什么要用深度學習，為什么是現在
• 1.3.1 硬件
• 1.3.2 數據
• 1.3.3 算法
• 1.3.4 新一輪投資熱潮
• 1.3.5 深度學習的普及
• 1.3.6 這種趨勢會持續下去嗎
• 第2章 神經網絡的數學基礎
• 2.1 初識神經網絡
• 2.2 神經網絡的數據表示
• 2.2.1 標量（0階張量）
• 2.2.2 向量（1階張量）
• 2.2.3 矩陣（2階張量）
• 2.2.4 3階張量與更高階的張量
• 2.2.5 關鍵屬性
• 2.2.6 在NumPy中操作張量
• 2.2.7 數據批量的概念
• 2.2.8 現實世界中的數據張量實例
• 2.2.9 向量數據
• 2.2.10 時間序列數據或序列數據
• 2.2.11 圖像數據
• 2.2.12 視頻數據
• 2.3 神經網絡的“齒輪”：張量運算
• 2.3.1 逐元素運算
• 2.3.2 廣播
• 2.3.3 張量積
• 2.3.4 張量變形
• 2.3.5 張量運算的幾何解釋
• 2.3.6 深度學習的幾何解釋
• 2.4 神經網絡的“引擎”：基于梯度的優化
• 2.4.1 什么是導數
• 2.4.2 張量運算的導數：梯度
• 2.4.3 隨機梯度下降
• 2.4.4 鏈式求導：反向傳播算法
• 2.5 顧第一個例子
• 2.5.1 用TensorFlow從頭開始重新實現第一個例子
• 2.5.2 完成一次訓練步驟
• 2.5.3 完整的訓練循環
• 2.5.4 評估模型
• 2.6 本章總結
• 第3章 Keras和TensorFlow入門
• 3.1 TensorFlow簡介
• 3.2 Keras簡介
• 3.3 Keras和TensorFlow簡史
• 3.4 建立深度學習工作區
• 3.4.1 Jupyter筆記本：運行深度學習實驗的首選方法
• 3.4.2 使用Colaboratory
• 3.5 TensorFlow入門
• 3.5.1 常數張量和變量
• 3.5.2 張量運算：用TensorFlow進行數學運算
• 3.5.3 重溫GradientTape API
• 3.5.4 一個端到端的例子：用TensorFlow編寫線性分類器
• 3.6 神經網絡剖析：了解核心Keras API
• 3.6.1 層：深度學習的基礎模塊
• 3.6.2 從層到模型
• 3.6.3 編譯步驟：配置學習過程
• 3.6.4 選擇損失函數
• 3.6.5 理解fit()方法
• 3.6.6 監控驗證數據上的損失和指標
• 3.6.7 推斷：在訓練后使用模型
• 3.7 本章總結
• 第4章 神經網絡入門：分類與回歸
• 4.1 影評分類：二分類問題示例
• 4.1.1 IMDB數據集
• 4.1.2 準備數據
• 4.1.3 構建模型
• 4.1.4 驗證你的方法
• 4.1.5 利用訓練好的模型對新數據進行預測
• 4.1.6 進一步實驗
• 4.1.7 小結
• 4.2 新聞分類：多分類問題示例
• 4.2.1 路透社數據集
• 4.2.2 準備數據
• 4.2.3 構建模型
• 4.2.4 驗證你的方法
• 4.2.5 對新數據進行預測
• 4.2.6 處理標簽和損失的另一種方法
• 4.2.7 擁有足夠大的中間層的重要性
• 4.2.8 進一步實驗
• 4.2.9 小結
• 4.3 預測房價：標量歸問題示例
• 4.3.1 波士頓房價數據集
• 4.3.2 準備數據
• 4.3.3 構建模型
• 4.3.4 利用K折交叉驗證來驗證你的方法
• 4.3.5 對新數據進行預測
• 4.3.6 小結
• 4.4 本章總結
• 第5章 機器學習基礎
• 5.1 泛化：機器學習的目標
• 5.1.1 欠擬合與過擬合
• 5.1.2 深度學習泛化的本質
• 5.2 評估機器學習模型
• 5.2.1 訓練集、驗證集和測試集
• 5.2.2 超越基于常識的基準
• 5.2.3 模型評估的注意事項
• 5.3 改進模型擬合
• 5.3.1 調節關鍵的梯度下降參數
• 5.3.2 利用更好的架構預設
• 5.3.3 提高模型容量
• 5.4 提高泛化能力
• 5.4.1 數據集管理
• 5.4.2 特征工程
• 5.4.3 提前終止
• 5.4.4 模型正則化
• 5.5 本章總結
• 第6章 機器學習的通用工作流程
• 6.1 定義任務
• 6.1.1 定義問題
• 6.1.2 收集數據集
• 6.1.3 理解數據
• 6.1.4 選擇衡量成功的指標
• 6.2 開發模型
• 6.2.1 準備數據
• 6.2.2 選擇評估方法
• 6.2.3 超越基準
• 6.2.4 擴大模型規模：開發一個過擬合的模型
• 6.2.5 模型正則化與調節超參數
• 6.3 部署模型
• 6.3.1 向利益相關者解釋你的工作并設定預期
• 6.3.2 部署推斷模型
• 6.3.3 監控模型在真實環境中的性能
• 6.3.4 維護模型
• 6.4 本章總結
• 第7章 深入 Keras
• 7.1 Keras工作流程
• 7.2 構建Keras模型的不同方法
• 7.2.1 序貫模型
• 7.2.2 函數式API
• 7.2.3 模型子類化
• 7.2.4 混合使用不同的組件
• 7.2.5 用正確的工具完成工作
• 7.3 使用內置的訓練循環和評估循環
• 7.3.1 編寫自定義指標
• 7.3.2 使用調函數
• 7.3.3 編寫自定義調函數
• 7.3.4 利用TensorBoard進行監控和可視化
• 7.4 編寫自定義的訓練循環和評估循環
• 7.4.1 訓練與推斷
• 7.4.2 指標的低階用法
• 7.4.3 完整的訓練循環和評估循環
• 7.4.4 利用tf.function加快運行速度
• 7.4.5 在fit()中使用自定義訓練循環
• 7.5 本章總結
• 第8章 計算機視覺深度學習入門
• 8.1 卷積神經網絡入門
• 8.1.1 卷積運算
• 8.1.2 最大匯聚運算
• 8.2 在小型數據集上從頭開始訓練一個卷積神經網絡
• 8.2.1 深度學習對數據量很小的問題的適用性
• 8.2.2 下載數據
• 8.2.3 構建模型
• 8.2.4 數據預處理
• 8.2.5 使用數據增強
• 8.3 使用預訓練模型
• 8.3.1 使用預訓練模型做特征提取
• 8.3.2 微調預訓練模型
• 8.4 本章總結
• 第9章 計算機視覺深度學習進階
• 9.1 三項基本的計算機視覺任務
• 9.2 圖像分割示例
• 9.3 現代卷積神經網絡架構模式
• 9.3.1 模塊化、層次結構和復用
• 9.3.2 殘差連接
• 9.3.3 批量規范化
• 9.3.4 深度可分離卷積
• 9.3.5 綜合示例：一個類似Xception的迷你模型
• 9.4 解釋卷積神經網絡學到的內容
• 9.4.1 中間激活值的可視化
• 9.4.2 卷積神經網絡濾波器的可視化
• 9.4.3 類激活熱力圖的可視化
• 9.5 本章總結
• 第10章 深度學習處理時間序列
• 10.1 不同類型的時間序列任務
• 10.2 溫度預測示例
• 10.2.1 準備數據
• 10.2.2 基于常識、不使用機器學習的基準
• 10.2.3 基本的機器學習模型
• 10.2.4 一維卷積模型
• 10.2.5 第一個RNN基準
• 10.3 理解RNN
• Keras中的循環層
• 10.4 RNN的高級用法
• 10.4.1 利用循環dropout降低過擬合
• 10.4.2 循環層堆疊
• 10.4.3 使用雙向RNN
• 10.4.4 進一步實驗
• 10.5 本章總結
• 第11章 深度學習處理文本
• 11.1 自然語言處理概述
• 11.2 準備文本數據
• 11.2.1 文本標準化
• 11.2.2 文本拆分（詞元化）
• 11.2.3 建立詞表索引
• 11.2.4 使用TextVectorization層
• 11.3 表示單詞組的兩種方法：集合和序列
• 11.3.1 準備IMDB影評數據
• 11.3.2 將單詞作為集合處理：詞袋方法
• 11.3.3 將單詞作為序列處理：序列模型方法
• 11.4 Transformer架構
• 11.4.1 理解自注意力
• 11.4.2 多頭注意力
• 11.4.3 Transformer編碼器
• 11.4.4 何時使用序列模型而不是詞袋模型
• 11.5 超越文本分類：序列到序列學習
• 11.5.1 機器翻譯示例
• 11.5.2 RNN的序列到序列學習
• 11.5.3 使用Transformer進行序列到序列學習
• 11.6 本章總結
• 第12章 生成式深度學習
• 12.1 文本生成
• 12.1.1 生成式深度學習用于序列生成的簡史
• 12.1.2 如何生成序列數據
• 12.1.3 采樣策略的重要性
• 12.1.4 用Keras實現文本生成
• 12.1.5 帶有可變溫度采樣的文本生成調函數
• 12.1.6 小結
• 12.2 DeepDream
• 12.2.1 用Keras實現DeepDream
• 12.2.2 小結
• 12.3 神經風格遷移
• 12.3.1 內容損失
• 12.3.2 風格損失
• 12.3.3 用Keras實現神經風格遷移
• 12.3.4 小結
• 12.4 用變分自編碼器生成圖像
• 12.4.1 從圖像潛在空間中采樣
• 12.4.2 圖像編輯的概念向量
• 12.4.3 變分自編碼器
• 12.4.4 用Keras實現變分自編碼器
• 12.4.5 小結
• 12.5 生成式對抗網絡入門
• 12.5.1 簡要實現流程
• 12.5.2 諸多技巧
• 12.5.3 CelebA數據集
• 12.5.4 判別器
• 12.5.5 生成器
• 12.5.6 對抗網絡
• 12.5.7 小結
• 12.6 本章總結
• 第13章 適合現實世界的最佳實踐
• 13.1 將模型性能發揮到極致
• 13.1.1 超參數優化
• 13.1.2 模型集成
• 13.2 加速模型訓練
• 13.2.1 使用混合精度加快GPU上的訓練速度
• 13.2.2 多GPU訓練
• 13.2.3 TPU訓練
• 13.3 本章總結
• 第14章 總結
• 14.1 重點概念顧
• 14.1.1 人工智能的多種方法
• 14.1.2 深度學習在機器學習領域中的特殊之處
• 14.1.3 如何看待深度學習
• 14.1.4 關鍵的推動技術
• 14.1.5 機器學習的通用工作流程
• 14.1.6 關鍵網絡架構
• 14.1.7 可能性空間
• 14.2 深度學習的局限性
• 14.2.1 將機器學習模型擬人化的風險
• 14.2.2 自動機與智能體
• 14.2.3 局部泛化與極端泛化
• 14.2.4 智能的目的
• 14.2.5 逐步提高泛化能力
• 14.3 如何實現更加通用的人工智能
• 14.3.1 設定正確目標的重要性：捷徑法則
• 14.3.2 新目標
• 14.4 實現智能：缺失的內容
• 14.4.1 智能是對抽象類比的敏感性
• 14.4.2 兩種抽象
• 14.4.3 深度學習所缺失的那一半
• 14.5 深度學習的未來
• 14.5.1 模型即程序
• 14.5.2 將深度學習與程序合成融合
• 14.5.3 終身學習和模塊化子程序復用
• 14.5.4 長期愿景
• 14.6 了解快速發展的領域的最新進展
• 14.6.1 在Kaggle上練習解決現實世界的問題
• 14.6.2 在arXiv上了解最新進展
• 14.6.3 探索Keras生態系統
• 14.7 結束語
• 作者簡介
• 看完了 更新時間：2022-09-14 15:45:19