深入浅出深度学习：原理剖析与Python实践电子书

内容简介

推荐序1

推荐序2

前言

第1部分 概 要

1 绪论

1.1 人工智能、机器学习与深度学习的关系

1.2 深度学习的发展历程

1.3 深度学习技术概述

1.4 深度学习框架

2 Theano基础

2.1 符号变量

2.2 符号计算的抽象——符号计算图模型

2.3 函数

2.4 条件表达式

2.5 循环

2.6 共享变量

2.7 配置

2.8 常用的Debug技巧

2.9 小结

第2部分 数学与机器学习基础篇

3 线性代数基础

3.1 标量、向量、矩阵和张量

3.2 矩阵初等变换

3.3 线性相关与向量空间

3.4 范数

3.5 特殊的矩阵与向量

3.6 特征值分解

3.7 奇异值分解

3.8 迹运算

3.9 样例：主成分分析

4 概率统计基础

4.1 样本空间与随机变量

4.2 概率分布与分布函数

4.3 一维随机变量

4.4 多维随机变量

4.5 边缘分布

4.6 条件分布与链式法则

4.7 多维随机变量的独立性分析

4.8 数学期望、方差、协方差

4.9 信息论基础

5 概率图模型

5.1 生成模型与判别模型

5.2 图论基础

5.3 贝叶斯网络

5.4 马尔科夫网络

5.5 变量消除

5.6 信念传播

5.7 MCMC采样原理

5.8 参数学习

5.9 小结

6 机器学习基础

6.1 线性模型

6.2 支持向量机

6.3 朴素贝叶斯

6.4 树模型

6.5 聚类

7 数值计算与最优化

7.1 无约束极小值的最优化条件

7.2 梯度下降

7.3 共轭梯度

7.4 牛顿法

7.5 拟牛顿法

7.6 约束最优化条件

第3部分 理论与应用篇

8 前馈神经网络

8.1 生物神经元结构

8.2 人工神经元结构

8.3 单层感知机

8.4 多层感知机

8.5 激活函数

9 反向传播与梯度消失

9.1 经验风险最小化

9.2 梯度计算

9.3 反向传播

9.4 深度学习训练的难点

10 自编码器及其相关模型

10.1 自编码器

10.2 降噪自编码器

10.3 栈式自编码器

10.4 稀疏编码器

10.5 应用：cifar10图像分类

11 玻尔兹曼机及其相关模型

11.1 玻尔兹曼机

11.2 能量模型

11.3 推断

11.4 学习

11.5 应用：个性化推荐

12 递归神经网络

12.1 Elman递归神经网络

12.2 时间反向传播

12.3 长短时记忆网络

12.4 结构递归神经网络

12.5 应用：语言模型

13 卷积神经网络

13.1 卷积运算

13.2 网络结构

13.3 卷积层

13.4 池化层

13.5 应用：文本分类