Contents
無論你從事電腦視覺、自然語言處理還是醫療保健工作，這些 Manning 書籍、liveProjects 和 liveVideos 都將幫助你做出更好的準確性和性能。
以下列出 Deep Learning / Machine Learning 相關書籍、專案和影片：
書籍
發現學術論文之外從未見過的獨一無二的人工智慧策略！了解進化計算( EC，evolutionary computation )的原理如何克服深度學習的常見陷阱，並在無需持續手動調整的情況下提供適應性強的模型升級。 在進化深度學習：遺傳演算法和神經網路中，你將學習如何
- 通過進化計算(EC)解決複雜的設計和分析問題
- 使用進化計算(EC)、遺傳演算法和粒子群優化來調整深度學習超參數
- 使用無監督學習和深度學習自動編碼器來重新生成樣本數據
- 了解強化學習和 Q-Learning 方程的基礎知識
- 將 Q-Learning 應用於深度學習以產生深度強化學習
- 優化無監督自動編碼器的損失函數和網路架構
- 製作一個可以玩 OpenAI Gym 遊戲的進化代理
利用基於生物進化原理的 AutoML 增強功能來改進你的深度學習模型。這種令人興奮的新方法利用鮮為人知的人工智慧方法來提高性能，而無需花費數小時的數據註釋或模型超參數調整。
Deep Learning with Python, Second Edition
通過對暢銷原著進行廣泛修訂的全彩新版，解鎖深度學習的突破性進展。直接向 Keras 的創建者學習，掌握易於在現實世界中應用的實用 Python 深度學習技術。
學習從頭開始建構深度學習神經網路！經驗豐富的深度學習專家 Andrew Trask 以他引人入勝的風格向你展示了底層的科學原理，讓你能夠親自領會訓練神經網路的每一個細節。
Deep Learning and the Game of Go
2016 年，基於深度學習的系統擊敗了世界冠軍，震驚了圍棋界。現在，你可以通過建構自己的圍棋機器人來學習相同的深度學習技術！
With Python, Keras and TensorFlow Probability
支持神經網路的機率原理的實踐指南。 了解如何通過針對不同資料類型的正確分佈來提高網路性能，並發現可以陳述自身不確定性以提高準確性的貝葉斯變數( Bayesian variants )。
AI techniques for design, planning, and control problems
使用現代機器學習和人工智慧技術解決設計、規劃和控制問題。
本 MEAP 的 8 章現已推出，後續還會有更多章節！
專案
Deep Learning for Basketball Scores Prediction
扮演資料科學家的角色，嘗試預測 NCAA 大學籃球比賽的結果。 你的客戶最喜歡的球隊正在參加比賽，他想知道他們的比賽結果如何。 本系列中的每個 liveProject 都涵蓋了機器學習管道的不同方面，從創建初始模型到將其部署到 Web 和 Android 以便客戶輕鬆使用。
End-to-End Deep Learning for Price Prediction
將深度學習的力量融入結構化表格資料中。 你將親身體驗詳細介紹紐約市 Airbnb 租金的開放資料集，並接受創建用於預測價格的端到端深度學習解決方案的挑戰。 每個專案都圍繞深度學習管道的一項基本任務，並且是開始將深度學習應用於現實世界問題的好方法。
影片
Build Neural Networks in Python
如果你了解 Python 基礎知識並且想了解深度學習，那麼本課程就是為你設計的。 你將學習人工智慧和機器學習這一分支背後的理論，以及建構神經網路以創建用於預測以及自動化和簡化任務的深度學習模型的實用技能。
你的視訊指南 Oliver Zeigermann 將重點介紹深度學習與其他程式設計和資料分析技術的不同之處，從而啟動你的學習。 你將完成一個完整的專案，並學習使用最流行的基於 Python 的深度學習工具，包括 scikit-learn、Keras 和 TensorFlow 2.0。
你必須登入才能發表留言。