StatQuest 圖解神經網絡與深度學習 (全彩)

第1章 神經網絡和人工智能的基本原理 /001
神經網絡：主要思想1 /002
神經網絡：主要思想2 /003
激活函數：主要思想 /007
神經網絡的實際應用：詳解 /008
Pytorch：基本神經網絡 /018

第2章 使用反向傳播優化權重和偏置 /019
反向傳播：主要思想 /020
優化單個權重：詳細解 /024
優化單個權重：求導 /031
優化單個權重：梯度下降法 /35
Sgd和adam法：主要思想 /041
優化所有權重：主要思想 /044
優化所有參數：等式 /045
優化所有參數：求導 /048
優化所有參數：梯度下降法 /60
Pytorch：反向翻轉 /068

第3章 多輸入多輸出的神經網絡 /069
多輸入多輸出：主要思想 /070
多輸入多輸出的實際應用：詳解 /071
Pytorch：多輸入多輸出的神經網絡 /082

第4章 使用Argmax和Softmax簡化輸出 /083
Argmax和Softmax：主要思想 /084
Argmax：詳解 /085
Softmax：詳解 /088
Pytorch：Argmax函數和Softmax函數 /095

第5章 使用交叉熵提升訓練效率 /096
交叉熵 主要思想 /097
交叉熵：詳解 /098
交叉熵與反向傳播 /102

第6章 卷積神經網絡和圖像分類 /118
卷積神經網絡 主要思想 /119
卷積神經網絡：詳解 /121
Pytorch 卷積神經網絡 /130

第7章 循環神經網絡與股票預測 /131
循環神經網絡 主要思想 /132
循環神經網絡：詳解 /133
循環神經網絡：反向傳播 /140
梯度消失/梯度爆炸問題 /146

第8章 長短期記憶網絡與更好的股票預測 /151
長短期記憶網絡 主要思想 /152
長短期記憶網絡：詳解 /153
長短期記憶網絡：實際應用 /161
術語解釋：長短期記憶網絡 /167
Pytorch：長短期記憶網絡 /168

第9章 詞嵌入技術在單詞數值化中的應用 /169
詞嵌入:主要思想 /170
優化單個權重：詳解 /171
Pytorch：詞嵌入 /180

第10章 編碼器-解碼器架構與機器翻譯 /181
編碼器-解碼器架構:主要思想 /182
編碼器-解碼器架構：詳解 /183
Pytorch編碼器-解碼器模型 /196

第11章 註意力機制與更好的機器翻譯 /197
註意力機制 主要思想 /198
優化單個權重：詳解 /199
Pytorch：註意力機制 /209

第12章 Transformer架構與更強大的機器翻譯 /201
Transformer:主要思想 /211
Transformer：編碼器詳解 /212
Transformer：解碼器詳解 /228
Transformer：層的歸一化 /240
Transformer：相似度的度量 /241
Transformer：多頭註意力 /242
Transformer：額外的全連接層 /244
Transformer：堆疊子單元 /245
Transformer：模型訓練 /246
Pytorch：基於編碼器-解碼器Transformer模型的架構 /250
、
第13章 僅解碼器Transformer架構與海量文本生成 /251
僅解碼器Transformer 主要思想 /252
僅解碼器Transformer：詳解 /253
僅解碼器Transformer：模型訓練 /260
Pytorch：僅解碼器Transformer /261

第14章 僅編碼器Transformer在分類與聚類中的應用 /262
僅編碼器Transformer:主要思想 /263
僅編碼器Transformer：詳情 /264
僅編碼器Transformer：實際應用 /267
僅編碼器Transformer：模型訓練 /269
僅編碼器Transformer：通過預訓練模型的代碼實現 /270

致謝 /272