本書贊譽
序
前言
基礎篇
第1章 機器學習是什麼
1.1 聚類
1.2 回歸
1.3 分類
1.4 綜合應用
1.5 小結
第2章 深度學習是什麼
2.1 神經網絡是什麼
2.1.1 神經元
2.1.2 激勵函數
2.1.3 神經網絡
2.2 深度神經網絡
2.3 深度學習為什麼這麼強
2.3.1 不用再提取特征
2.3.2 處理線性不可分
2.4 深度學習應用
2.4.1 圍棋機器人——AlphaGo
2.4.2 被教壞的少女——Tai.ai
2.4.3 本田公司的大寶貝——ASIMO
2.5 小結
第3章 TensorFlow框架特性與安裝
3.1 簡介
3.2 與其他框架的對比
3.3 其他特點
3.4 如何選擇好的框架
3.5 安裝TensorFlow
3.6 小結
原理與實踐篇
第4章 前饋神經網絡
4.1 網絡結構
4.2 線性回歸的訓練
4.3 神經網絡的訓練
4.4 小結
第5章 手寫板功能
5.1 MNIST介紹
5.2 使用TensorFlow完成實驗
5.3 神經網絡為什麼那麼強
5.3.1 處理線性不可分
5.3.2 挑戰“與或非”
5.3.3 豐富的VC——強大的空間劃分能力
5.4 驗證集、測試集與防止過擬合
5.5 小結
第6章 卷積神經網絡
6.1 與全連接網絡的對比
6.2 卷積是什麼
6.3 卷積核
6.4 卷積層其他參數
6.5 池化層
6.6 典型CNN網絡
6.7 圖片識別
6.8 輸出層激勵函數——SOFTMAX
6.8.1 SOFTMAX
6.8.2 交叉熵
6.9 小試牛刀——卷積網絡做圖片分類
6.10 小結
第7章 綜合問題
7.1 並行計算
7.2 隨機梯度下降
7.3 梯度消失問題
7.4 歸一化
7.5 參數初始化問題
7.6 正則化
7.7 其他超參數
7.8 不**的模型
7.9 DropOut
7.10 小結
第8章 循環神經網絡
8.1 隱馬爾可夫模型
8.2 RNN和BPTT算法
8.2.1 結構
8.2.2 訓練過程
8.2.3 艱難的誤差傳遞
8.3 LSTM算法
8.4 應用場景
8.5 實踐案例——自動文本生成
8.5.1 RNN工程代碼解讀
8.5.2 利用RNN學習莎士比亞劇本
8.5.3 利用RNN學習維基百科
8.6 實踐案例——聊天機器人
8.7 小結
擴展篇
第9章 深度殘差網絡
9.1 應用場景
9.2 結構解釋與數學推導
9.3 拓撲解釋
9.4 Github示例
9.5 小結
**0章 受限玻爾茲曼機
10.1 結構
10.2 邏輯回歸
10.3 *大似然度
10.4 *大似然度示例
10.5 損失函數
10.6 應用場景
10.7 小結
**1章 強化學習
11.1 模型核心
11.2 馬爾可夫決策過程
11.2.1 用遊戲開刀
11.2.2 準備工作
11.2.3 訓練過程
11.2.4 問題
11.2.5 Q-Learning算法
11.3 深度學習中的Q-Learning——DQN
11.3.1 OpenAIGym
11.3.2 Atari遊戲
11.4 小結
**2章 對抗學習
12.1 目的
12.2 訓練模式
12.2.1 二元極小極大博弈
12.2.2 訓練
12.3 CGAN
12.4 DCGAN
12.5 小結
**3章 有趣的深度學習應用
13.1 人臉識別
13.2 作詩姬
13.3 梵高附體
13.3.1 網絡結構
13.3.2 內容損失
13.3.3 風格損失
13.3.4 繫數比例
13.3.5 代碼分析
13.4 小結
附錄A VMware Workstation的安裝
附錄B Ubuntu虛擬機的安裝
附錄C Python語言簡介
附錄D 安裝Theano
附錄E 安裝Keras
附錄F 安裝CUDA
參考文獻