第1章 深度学习概述 1
1.1人工智能的变迁 2
1.1.1人工智能的定义 2
1.1.2人工智能曾经的辉煌 3
1.1.3机器学习的演化 8
1.1.4机器学习的局限性 10
1.2人与机器的区分因素 12
1.3人工智能与深度学习 13
1.4小结 20
第2章 机器学习算法——为深度学习做准备 22
2.1入门 22
2.2机器学习中的训练需求 23
2.3监督学习和无监督学习 25
2.3.1支持向量机 26
2.3.2隐马尔可夫模型 28
2.3.3神经网络 28
2.3.4逻辑回归 29
2.3.5增强学习 30
2.4机器学习应用流程 30
2.5神经网络的理论和算法 35
2.5.1单层感知器 36
2.5.2逻辑回归 42
2.5.3多类逻辑回归 45
2.5.4多层感知器 50
2.6小结 57
第3章 深度信念网络与栈式去噪自编码器 58
3.1神经网络的没落 58
3.2神经网络的复兴 59
3.2.1深度学习的进化——突破是什么 59
3.2.2预训练的深度学习 60
3.3深度学习算法 64
3.3.1限制玻尔兹曼机 65
3.3.2深度信念网络 74
3.3.3去噪自编码器 80
3.3.4栈式去噪自编码器 84
3.4小结 86
第4章 dropout和卷积神经网络 87
4.1没有预训练的深度学习算法 87
4.2 dropout 88
4.3卷积神经网络 97
4.3.1卷积 98
4.3.2池化 101
4.3.3公式和实现 101
4.4小结 114
第5章 探索Java深度学习库——DL4J、ND4J以及其他 115
5.1从零实现与使用库/框架 115
5.2 DL4J和ND4J的介绍 117
5.3使用ND4J实现 118
5.4使用DL4J实现 124
5.4.1设置 124
5.4.2构建 127
5.4.3 CNNMnistExample.java/LenetMnistExample.java 135
5.4.4学习速率的优化 140
5.5小结 142
第6章 实践应用——递归神经网络等 143
6.1深度学习热点 143
6.1.1图像识别 144
6.1.2自然语言处理 145
6.2深度学习的挑战 157
6.3最大化深度学习概率和能力的方法 159
6.3.1面向领域的方法 159
6.3.2面向分解的方法 162
6.3.3面向输出的方法 164
6.4小结 165
第7章 其他重要的深度学习库 166
7.1 Theano 166
7.2 TensorFlow 171
7.3 Caffe 176
7.4小结 177
第8章 未来展望 179
8.1深度学习的爆炸新闻 179
8.2下一步的展望 181
8.3对深度学习有用的新闻资源 185
8.4小结 187