1 開始
1.1 從傳統的軟件工程思維轉型
1.2 建立算法思維
1.2.1 算法的開發流程
1.2.2 做算法的步驟
1.2.3 英特的總結
1.3 觀察！觀察！觀察！重要的事情說三遍
2 文本分析實戰
2.1 個文本問題
2.1.1 郵件標題的預處理
2.1.2 選用算法
2.1.3 用N 做文本分類
2.2 情感分類
2.2.1 先分析需求
2.2.2 詞法分析
2.2.3 機器學習
2.2.4 試試LSTM 模型
2.3 文本深度特征提取
2.3.1 詞特征表示
2.3.2 句子特征表示
2.3.3 深度語義模型
3 做一個對話機器人
3.1 理解人類提問
3.2 答案的抽取和選擇
3.3 蘊含關繫
3.4 生成式對話模型（Generative Model ）
3.5 判斷機器人說話的準確性
3.6 智能對話的總結和思考
4 視覺識別
4.1 從人臉識別開始
4.1.1 OpenCV能做什麼
4.1.2 檢測精度的進化：Dlib
4.1.3 表情識別：Openface
4.2 深度卷積網絡
4.2.1 N的演化過程
4.2.2 深度卷積和*深的卷積
4.2.3 實現*深的卷積網絡
4.2.4 殘差網絡的實現
4.2.5 十全大補藥：通用的提高精度的方法
4.2.6 圖像訓練需要注意的地方
4.3 目標檢測
4.3.1 用SSD來實現目標檢測應用
4.3.2 SSD訓練源碼提示
4.4 視覺領域的應用
4.4.1 藝術風格畫
4.4.2 看圖說話：用文字描述一幅圖像（BiRNN+N）
4.4.3 N的有趣應用：語音識別
5 強化學習實踐
5.1 喫豆子和強化學習
5.2 馬爾科夫決策過程
5.3 理解Q網絡
5.4 模擬物理世界：OpenAI
5.5 實現一個DQN
5.5.1 DQN代碼實現
5.5.2 DQN過程的圖表化
5.6 關於強化學習的思考
5.6.1 強化學習的特殊性
5.6.2 知識的形成要素：記憶
5.6.3 理想：終身學習
6 預測與**
6.1 從Google的感冒預測說起
6.2 股票預測（一）
6.2.1 股票業務整理
6.2.2 數據獲取和準備
6.2.3 模型搭建
6.2.4 優化
6.2.5 後續
6.3 股票預測（二）
6.4 深度學習在**領域的應用：Lookalike算法
6.4.1 調研
6.4.2 實現
6.4.3 結果
6.4.4 總結探討
參考文獻