序言
前言
第1篇 基礎知識
第1章 引言
1.1 人工智能的新焦點——深度學習
1.1.1 人工智能——神話傳說到影視漫畫
1.1.2 人工智能的誕生
1.1.3 神經科學的研究
1.1.4 人工神經網絡的興起
1.1.5 神經網絡的**次寒鼕
1.1.6 神經網絡的**次復興
1.1.7 神經網絡的第二次寒鼕
1.1.8 2006年——深度學習的起點
1.1.9 生活中的深度學習
1.1.10 常見深度學習框架簡介
1.2 給計算機一雙眼睛——計算機視覺
1.2.1 計算機視覺簡史
1.2.2 2012年——計算機視覺的新起點
1.2.3 計算機視覺的應用
1.2.4 常見計算機視覺工具包
1.3 基於深度學習的計算機視覺
1.3.1 從ImageNet競賽到AlphaGo戰勝李世石——計算機視覺**人類
1.3.2 GPU和並行技術——深度學習和計算視覺發展的加速器
1.3.3 基於卷積神經網絡的計算機視覺應用
第2章 深度學習和計算機視覺中的基礎數學知識
2.1 線性變換和非線性變換
2.1.1 線性變換的定義
2.1.2 高中教科書中的小例子
2.1.3 點積和投影
2.1.4 矩陣乘法的幾何意義（1）
2.1.5 本征向量和本征值
2.1.6 矩陣乘法的幾何意義（2）
2.1.7 奇異值分解
2.1.8 線性可分性和維度
2.1.9 非線性變換
2.2 概率論及相關基礎知識
2.2.1 條件概率和獨立
2.2.2 期望值、方差和協方差
2.2.3 熵
2.2.4 *大似然估計（Maximum Likelihood Estimation，MLE）
2.2.5 KL散度（Kullback–Leibler divergence）
2.2.6 KL散度和MLE的聯繫
2.3 維度的詛咒
2.3.1 采樣和維度
2.3.2 高維空間中的體積
2.3.3 高維空間中的距離
2.3.4 中心極限定理和高維樣本距離分布的近似54
2.3.5 數據實際的維度
2.3.6 局部泛化
2.3.7 函數對實際維度的影響
2.3.8 PCA——什麼是主成分
2.3.9 PCA——通過本征向量和本征值求主成分
2.3.10 PCA——通過主成分分析降維
2.3.11 PCA——歸一化和相關性繫數
2.3.12 PCA——什麼樣的數據適合PCA
2.3.13 其他降維手段
2.4 卷積
2.4.1 點積和卷積
2.4.2 一維卷積
2.4.3 卷積和互相關
2.4.4 二維卷積和圖像響應
2.4.5 卷積的計算
2.5 數學優化基礎
2.5.1 *小值和梯度下降
2.5.2 衝量（Momentum）
2.5.3 牛頓法
2.5.4 學習率和自適應步長
2.5.5 學習率衰減（Learning Rate Decay）
2.5.6 AdaGrad：每個變量有自己的節奏
2.5.7 AdaDelta的進一步改進
2.5.8 其他自適應算法
2.5.9 損失函數
2.5.10 分類問題和負對數似然
2.5.11 邏輯回歸
2.5.12 Softmax：將輸出轉換為概率
2.5.13 鏈式求導法則
第2篇 實例精講