第1章 绪论 1
1.1 引言 1
1.2 基本概念 3
1.2.1 回归、分类、聚类 6
1.2.2 监督学习、非监督学习、半监督学习、强化学习 8
1.2.3 感知机、神经网络 9
1.3 发展历程 11
1.4 相关学者与会议或赛事 12
1.5 本章小结 16
参考文献 17
第2章 回归 18
2.1 线性回归 19
2.1.1 问题描述 19
2.1.2 问题求解 20
2.1.3 工具实现 28
2.2 逻辑回归 35
2.2.1 问题描述 35
2.2.2 问题求解 37
2.2.3 工具实现 39
2.3 本章小结 43
参考文献 43
第3章 人工神经网络 44
3.1 Rosenblatt感知机 45
3.1.1 训练方法 47
3.1.2 算法实例 48
3.1.3 梯度下降 54
3.2 人工神经网络 55
3.2.1 网络架构 55
3.2.2 训练方法 56
3.2.3 算法实例 61
3.3 本章小结 72
参考文献 72
第4章 Caffe简介 73
4.1 CNN原理 74
4.1.1 卷积 75
4.1.2 池化 82
4.1.3 LeNet-5 84
4.2 Caffe架构 86
4.2.1 Blob类 87
4.2.2 Layer类 88
4.2.3 Net类 92
4.2.4 Solver类 93
4.3 Caffe应用实例 94
4.3.1 车型识别 95
4.3.2 目标检测 125
4.4 本章小结 141
参考文献 142
第5章 TensorFlow简介 143
5.1 TensorFlow架构 144
5.2 TensorFlow简单应用 149
5.2.1 TensorFlow安装 149
5.2.2 线性回归 150
5.3 TensorFlow高级应用 153
5.3.1 MNIST手写数字识别 153
5.3.2 车型识别 167
5.4 本章小结 171
参考文献 172
第6章 强化学习简介 173
6.1 强化学习基本原理 174
6.2 AlphaGo基本架构 178
6.3 其他趣味应用 183
6.4 本章小结 186
参考文献 187
后记 188