●章 數學基礎
1.1 微積分基礎
1.1.1 極限與積分
1.1.2 導數和二階導數
1.1.3 方向導數和梯度
1.1.4 凸函數和極值
1.1.5 最優化方法
1.2 概率與統計基礎
1.2.1 古典概率
1.2.2 常用概率分布
1.2.3 貝葉斯公式
1.2.4 假設檢驗
1.3 線性代數基礎
1.3.1 矩陣和向量
1.3.2 矩陣乘法
1.3.3 矩陣的特征值和特征向量
習 題
第2章 Python基礎
2.1 Python概論
2.1.1 Python簡介
2.1.2 Python入門
2.2 NumPy函數庫基礎
2.2.1 NumPy簡介
2.2.2 NumPy入門
2.3 Matplotlib函數庫基礎
2.3.1 Matplotlib簡介
2.3.2 Matplotlib入門
2.4 Pandas函數庫基礎
2.4.1 Pandas簡介
2.4.2 Pandas入門
2.5 Sklearn函數庫基礎
2.5.1 Sklearn簡介
2.5.2 Sklearn入門
習 題
第3章 機器學習
3.1 機器學習概論
3.1.1 監督學習概述
3.1.2 無監督學習概述
3.1.3 強化學習概述
3.2 監督學習
3.2.1 回歸與分類
3.2.2 決策樹
3.2.3 神經網絡
3.2.4 樸素貝葉斯
3.2.5 支持向量機
3.3 無監督學習
3.3.1 K Means算法
3.3.2 降 維
習 題
第4章 深度學習
4.1 深度學習概論
4.1.1 深度學習發展歷程
4.1.2 深度學習的應用
4.1.3 深度學習框架介紹
4.2 深度學習網絡結構
4.2.1 單層神經網絡
4.2.2 淺層神經網絡
4.2.3 深層神經網絡
4.3 卷積網絡
4.3.1 卷積神經網絡簡介
4.3.2 卷積神經網絡結構
4.3.3 經典卷積網絡模型
4.4 循環和遞歸網絡
4.4.1 循環神經網絡
4.4.2 編碼器與解碼器
4.4.3 遞歸神經網絡
4.4.4 長短期記憶
深度學習
工程師認證初級教程
4.5 深度生成模型
4.5.1 玻耳茲曼機
4.5.2 深度信念網絡
4.5.3 有向生成網絡
4.5.4 生成隨機網絡
習 題
第5章 深度學習平臺實戰
5.1 深度學習平臺介紹及環境搭建
5.1.1 飛槳介紹
5.1.2 飛槳環境搭建
5.2 飛槳入門
5.2.1 數據預處理的常規方法
5.2.2 模型概覽
5.2.3 訓練模型
5.2.4 應用模型
5.3 飛槳典型案例
5.3.1 手寫數字識別
5.3.2 圖像分類
5.3.3 詞向量
5.3.4 情感分析
5.3.5 語義角色標注
習 題
第6章 深度學習行業應用案例介紹
6.1 深度學習在計算機視覺中的應用
6.1.1 概述及現狀
6.1.2 圖像分類
6.1.3 目標檢測
6.1.4 圖像分割
6.2 深度學習在自然語言處理中的應用
6.2.1 概述及現狀
6.2.2 機器翻譯
6.2.3 問答繫統
6.2.4 文本情感分析
6.3 深度學習在推薦繫統中的應用
6.3.1 概述及現狀
6.3.2 視頻推薦
6.3.3 CTR預估
6.4 深度學習在語音技術中的應用
6.4.1 概述及現狀
6.4.2 語音識別
6.4.3 語音合成
習 題
參考文獻
內容簡介
本書作為深度學習工程師初級認證官方教材，將深度學習理論基礎與平臺操作有機結合，從算法到實戰，共分6章，~4章主要介紹專業知識，包括數學基礎、Python基礎、機器學習和深度學習等基礎知識；第5章面向工程實戰能力的訓練，介紹深度學習開發平臺，特別是飛槳開發平臺的實戰案例；第6章面向業務理解與實踐能力的提升，介紹深度學習在各個行業的應用案例。本書適合人工智能領域的工程師、研發人員，在校大學生、研究生，跨領域轉AI從業者，以及對深度學習人工智能感興趣的讀者使用。
