译者序
前言
第1章深度学习概述
1.1人工智能的变迁
1.1.1人工智能的定义
1.1.2人工智能曾经的辉煌
1.1.3机器学习的演化
1.1.4机器学习的局限性
1.2人与机器的区分因素
1.3人工智能与深度学习
1.4小结
第2章机器学习算法——为深度学习做准备
2.1入门
2.2机器学习中的训练需求
2.3监督学习和无监督学习
2.3.1支持向量机
2.3.2隐马尔可夫模型
2.3.3神经网络
2.3.4逻辑回归
2.3.5增强学习
2.4机器学习应用流程
2.5神经网络的理论和算法
2.5.1单层感知器
2.5.2逻辑回归
2.5.3多类逻辑回归
2.5.4多层感知器
2.6小结
第3章深度信念网络与栈式去
噪自编码器
3.1神经网络的没落
3.2神经网络的复兴
3.2.1深度学习的进化——突破是什么
3.2.2预训练的深度学习
3.3深度学习算法
3.3.1限制玻尔兹曼机
3.3.2深度信念网络
3.3.3去噪自编码器
3.3.4栈式去噪自编码器
3.4小结
第4章dropout和卷积神经网络
4.1没有预训练的深度学习算法
4.2dropout
4.3卷积神经网络
4.3.1卷积
4.3.2池化
4.3.3公式和实现
4.4小结
第5章探索Java深度学习库——DL4J、ND4J以及其他
5.1从零实现与使用库/框架
5.2DL4J和 ND4J 的介绍
5.3使用 ND4J 实现
5.4使用DL4J实现
5.4.1设置
5.4.2构建
5.4.3CNNMnistExample.java/LenetMnistExample.java
5.4.4学习速率的优化
5.5小结
第6章实践应用——递归神经网络等
6.1深度学习热点
6.1.1图像识别
6.1.2自然语言处理
6.2深度学习的挑战
6.3最大化深度学习概率和能力的方法
6.3.1面向领域的方法
6.3.2面向分解的方法
6.3.3面向输出的方法
6.4小结
第7章其他重要的深度
学习库
7.1Theano
7.2TensorFlow
7.3Caffe
7.4小结
第8章未来展望
8.1深度学习的爆炸新闻
8.2下一步的展望
8.3对深度学习有用的新闻资源
8.4小结
· · · · · · (收起)