本书是使用Python进行深度学习实践的一本初学指南。本书并未罗列大量的公式，而是通过一些实用的实际案例，以简单直白的方式介绍深度神经网络的两项任务——分类和回归，解析深度学习模型中的一些核心问题，以期让读者对深度学习的全貌有一个清晰的认识。本书共9章，分别介绍了深度学习基础理论、神经网络基础知识、构建定制化深度预测模型、性能提升技术、二元分类的神经网络应用等内容，并借助Python语言对基本算法和实现模型进行了探索。本书适合期望用较短时间在深度神经网络领域初试牛刀的读者，也适合深度学习的初学者以及业内人士参考。

尼格尔·刘易斯（N.D.Lewis）是一位数据科学和预测领域的讲师、作者和研究者。他在华尔街和伦敦从事投资管理工作多年，编著了统计、数据科学和量化模型方面的数本图书，并且在大学里开设深度学习、机器学习和数据分析应用等方面的课程。

第1章如何阅读本书1
1.1获取Python2
1.1.1学习Python3
1.1.2软件包3
1.2不需要等待3
1.3小结4
附注5
第2章深度学习入门6
2.1为什么要学习深度学习7
2.1.1最后一子8
2.1.2一件怪事8
2.1.3两类人9
2.2什么是深度学习10
2.2.1成功的蓝图10
2.2.2有监督学习和无监督学习11
2.2.3深度学习的流程11
2.3深度学习能解决什么问题12
2.4哪些领域使用深度学习14
2.4.1深度学习能揭开永葆青春的秘密吗15
2.4.2衰老的挑战15
2.4.3众多的理论16
2.4.4数据科学家的答案16
2.5想使用深度学习——却不知如何开始17
2.6小结18
附注18
第3章神经网络基础27
3.1历史备忘录28
3.2神经网络的拓扑结构29
3.3神经元的作用30
人工神经元31
3.4理解激活函数31
3.4.1数学计算32
3.4.2sigmoid函数34
3.4.3运算成本34
3.5神经网络如何进行学习35
基本算法36
3.6解释梯度下降算法37
3.6.1误差曲面38
3.6.2随机梯度下降39
3.7小结39
附注40
第4章深度神经网络简介42
4.1深度神经网络简析43
4.2怎样在一分钟内解释深度神经网络44
4.2.1如何看待DNN44
4.2.2统计学家的视角45
4.2.3一个关键的观点45
4.3深度神经网络的3种使用方式45
4.3.1增强雾天的可视性46
4.3.2打击黑客犯罪50
4.3.3不可思议的缩略图51
4.4如何快速地近似任何函数54
4.4.1一个用Python构建深度神经网络的极简方法55
4.4.2生成示例56
4.4.3检查样本57
4.4.4格式化数据58
4.4.5拟合模型60
4.4.6性能表现评估61
4.5有监督学习概述62
4.5.1有监督学习的目标63
4.5.2无监督学习63
4.5.3半监督学习64
4.6小结65
附注65
第5章如何构建可定制的深度预测模型70
5.1一个深度神经网络预测的实际应用71
5.1.1样本数据和神经网络71
5.1.2可靠的性能表现72
5.2明确预测目标72
5.3获取数据的拷贝74
5.4标准化的重要性75
5.5使用训练样本和测试样本76
5.6创建深度神经网络回归模型的极简方式78
5.7学习速率详解79
5.7.1选择最佳值80
5.7.2如果将模型拟合到数据81
5.8评估模型在训练集性能表现的几种方式81
5.8.1均方差82
5.8.2获取预测和度量性能83
5.9小结83
附注84
第6章提高性能的一些技巧85
6.1sigmoid激活函数的局限86
6.2选择最佳层数的原则89
6.3如何快速改进模型92
6.4避免过度拟合93
6.5应该包含多少个神经元95
6.6评估测试数据集上的性能96
6.7冻结网络权重97
6.8保存网络以供将来使用98
6.9小结99
附注99
第7章二元分类神经网络的奥秘101
7.1感人至深——创造奇迹102
7.1.1一项二元分类任务103
7.1.2有用的结果103
7.2了解分类目标104
7.3使用Python从网络下载数据105
7.4处理缺失的观测值107
7.5保存数据111
7.6冲量简单入门112
7.7留出法的秘密113
7.8如何用Python快速构建一个深度神经网络二元分类器115
7.8.1生成训练集和测试集117
7.8.2指定模型117
7.8.3拟合模型118
7.8.4混淆矩阵119
7.9小结120
附注120
第8章构建优秀模型之道123
8.1尝试最简单的想法提高成功率124
8.2辍学的威力124
8.3相似性126
8.4共适应126
8.5一个教训127
8.6双曲正切激活函数的威力以及如何有效地使用127
8.7如何从小批量方法中获益128
8.8重建模型129
8.9关于不平衡样本你应该知道的事131
8.9.1核心问题131
8.9.2查看测试集上的表现133
8.10小结134
附注134
第9章深度神经网络在多元分类问题的简单应用136
9.1分类问题描述138
9.1.1查看样本139
9.1.2检查目标对象140
9.2关于softmax激活函数的说明140
9.3使用rmsprop算法构建多项式模型141
9.3.1关于rmsprop算法的说明143
9.3.2模型性能表现144
9.4Adagrad学习算法概述144
9.5如何尝试其他学习算法146
9.5.1Nesterov的加速梯度下降算法146
9.5.2尝试冲量法147
9.5.3常规随机梯度下降法148
9.5.4在模型中使用Adadelta算法149
9.5.5测试集性能表现150
9.6小结152
9.7结束语152
附注152