一線**技術專家撰寫，凝結其自身多年的實踐經驗，深入淺出闡述深度學習的發展歷程、相關概念和工作原理
涉及當前流行的兩個深度學習工具：Caffe和TensorFlow，並且初步探討強化學習的基本原理和應用

本書由一線資深技術專家撰寫，凝結了其自身多年的實踐經驗，闡述了深度學習的發展歷程、相關概念和工作原理，介紹了兩個當前流行的深度學習工具：Caffe 和TensorFlow ，並且初步探討了強化學習的基本原理和應用。為了幫助初學者快速上手，本書注重從總體框架和脈絡上把握深度學習技術，同時在闡述原理時配以簡單的實例供讀者印證。 本書語言生動風趣，以通俗的語言講述復雜的原理，循循善誘，深入淺出，適合有志於從事人工智能、深度學習相關研究的信息類專業的高年級本科生或研究生閱讀，也可供業界準備或正在從事深度學習、機器視覺等相關研發工作的工程技術人員參考。

龍飛，高級工程師，本科畢業於南京大學，博士畢業於清華大學，香港科技大學博士後。曾供職於中國電子科技集團公司第五十四研究所。現任中國搜索創新研發部總監。負責公司互聯網創新產品和人工智能、大數據相關項目的研發。主持並參與了國搜識圖、國搜學術、國搜圖書等平臺和頻道的研發與上線。主要研究方向為網絡路由、無線網狀網絡，近年涉足深度學習、數據挖掘領域。在國內外發表學術論文20餘篇，獲得軟件著作權5項，並著有中文專著2部，英文專著1部，譯著2部。

目錄

第1章緒論

1.1引言

1.2基本概念

1.2.1回歸、分類、聚類

1.2.2監督學習、非監督學習、半監督學習、強化學習

1.2.3感知機、神經網絡

1.3發展歷程

1.4相關學者與會議或賽事

1.5本章小結

參考文獻
第2章回歸

2.1線性回歸

2.1.1問題描述

2.1.2問題求解

2.1.3工具實現

2.2邏輯回歸

2.2.1問題描述

2.2.2問題求解

2.2.3工具實現

2.3本章小結

參考文獻
第3章人工神經網絡

3.1Rosenblatt感知機

3.1.1訓練方法

3.1.2算法實例

3.1.3梯度下降

3.2人工神經網絡

3.2.1網絡架構

3.2.2訓練方法

3.2.3算法實例

3.3本章小結

參考文獻



深度學習：入門與實踐




目錄


第4章Caffe簡介

4.1CNN原理

4.1.1卷積

4.1.2池化

4.1.3LeNet5

4.2Caffe架構

4.2.1Blob類

4.2.2Layer類

4.2.3Net類

4.2.4Solver類

4.3Caffe應用實例

4.3.1車型識別

4.3.2目標檢測

4.4本章小結

參考文獻
第5章TensorFlow簡介

5.1TensorFlow架構

5.2TensorFlow簡單應用

5.2.1TensorFlow安裝

5.2.2線性回歸

5.3TensorFlow**應用

5.3.1MNIST手寫數字識別

5.3.2車型識別

5.4本章小結

參考文獻
第6章強化學習簡介

6.1強化學習基本原理

6.2AlphaGo基本架構

6.3其他趣味應用

6.4本章小結

參考文獻
後記

目錄







第1章緒論

1.1引言

1.2基本概念

1.2.1回歸、分類、聚類

1.2.2監督學習、非監督學習、半監督學習、強化學習

1.2.3感知機、神經網絡

1.3發展歷程

1.4相關學者與會議或賽事

1.5本章小結

參考文獻
第2章回歸

2.1線性回歸

2.1.1問題描述

2.1.2問題求解

2.1.3工具實現

2.2邏輯回歸

2.2.1問題描述

2.2.2問題求解

2.2.3工具實現

2.3本章小結

參考文獻
第3章人工神經網絡

3.1Rosenblatt感知機

3.1.1訓練方法

3.1.2算法實例

3.1.3梯度下降

3.2人工神經網絡

3.2.1網絡架構

3.2.2訓練方法

3.2.3算法實例

3.3本章小結

參考文獻



深度學習：入門與實踐




目錄


第4章Caffe簡介

4.1CNN原理

4.1.1卷積

4.1.2池化

4.1.3LeNet5

4.2Caffe架構

4.2.1Blob類

4.2.2Layer類

4.2.3Net類

4.2.4Solver類

4.3Caffe應用實例

4.3.1車型識別

4.3.2目標檢測

4.4本章小結

參考文獻
第5章TensorFlow簡介

5.1TensorFlow架構

5.2TensorFlow簡單應用

5.2.1TensorFlow安裝

5.2.2線性回歸

5.3TensorFlow**應用

5.3.1MNIST手寫數字識別

5.3.2車型識別

5.4本章小結

參考文獻
第6章強化學習簡介

6.1強化學習基本原理

6.2AlphaGo基本架構

6.3其他趣味應用

6.4本章小結

參考文獻
後記

目錄







第1章緒論

1.1引言

1.2基本概念

1.2.1回歸、分類、聚類

1.2.2監督學習、非監督學習、半監督學習、強化學習

1.2.3感知機、神經網絡

1.3發展歷程

1.4相關學者與會議或賽事

1.5本章小結

參考文獻
第2章回歸

2.1線性回歸

2.1.1問題描述

2.1.2問題求解

2.1.3工具實現

2.2邏輯回歸

2.2.1問題描述

2.2.2問題求解

2.2.3工具實現

2.3本章小結

參考文獻
第3章人工神經網絡

3.1Rosenblatt感知機

3.1.1訓練方法

3.1.2算法實例

3.1.3梯度下降

3.2人工神經網絡

3.2.1網絡架構

3.2.2訓練方法

3.2.3算法實例

3.3本章小結

參考文獻



深度學習：入門與實踐




目錄


第4章Caffe簡介

4.1CNN原理

4.1.1卷積

4.1.2池化

4.1.3LeNet5

4.2Caffe架構

4.2.1Blob類

4.2.2Layer類

4.2.3Net類

4.2.4Solver類

4.3Caffe應用實例

4.3.1車型識別

4.3.2目標檢測

4.4本章小結

參考文獻
第5章TensorFlow簡介

5.1TensorFlow架構

5.2TensorFlow簡單應用

5.2.1TensorFlow安裝

5.2.2線性回歸

5.3TensorFlow**應用

5.3.1MNIST手寫數字識別

5.3.2車型識別

5.4本章小結

參考文獻
第6章強化學習簡介

6.1強化學習基本原理

6.2AlphaGo基本架構

6.3其他趣味應用

6.4本章小結

參考文獻
後記