深度學習：基於案例理解深度神經網絡

本書探討深度學習中的高級主題，例如優化算法、超參數調整、Dropout和誤差分析，並討論如何解決在訓練深度神經網絡時遇到的典型問題。書中首先介紹單一神經元網絡的激活函數（ReLu、sigmoid和Swish），然後介紹如何使用TensorFlow進行線性和邏輯回歸，以及如何選擇正確的代價函數，之後討論具有多個層和神經元的更復雜的神經網絡結構，並探討權重的隨機初始化問題。本書用一整章對神經網絡誤差分析進行全面概述，給出如何解決來自不同分佈的方差、偏差、過擬合和數據集問題的例子。

本書還討論在不使用任何Python庫（NumPy除外）的情況下，如何從零開始完全實現邏輯回歸，以便用諸如TensorFlow這樣的庫進行快速和有效的實驗。本書包括每種方法的案例研究，以便將所有理論信息付諸實踐。你還將學到Python代碼的優化技巧（例如，使用NumPy對循環進行向量化）。

通過閱讀本書，你將學到：
• 利用Python和TensorFlow以正確的方式實現高級技術
• 調試和優化高級方法（如Dropout和正則化）
• 進行誤差分析（以確定是否存在偏差問題、方差問題、數據偏移問題等）
• 創建專註於利用復雜數據集進行深度學習的機器學習項目