神經(jīng)網(wǎng)絡(luò)與深度學習

第0章　寫在前面：神經(jīng)網(wǎng)絡(luò)的歷史 第1章　神經(jīng)網(wǎng)絡(luò)是個什么東西 1.1　買橙子和機器學習 1.1.1　規(guī)則列表 1.1.2　機器學習 1.2　怎么定義神經(jīng)網(wǎng)絡(luò) 1.3　先來看看大腦如何學習 1.3.1　信息輸入 1.3.2　模式加工 1.3.3　動作輸出 1.4　生物意義上的神經(jīng)元 1.4.1　神經(jīng)元是如何工作的 1.4.2　組成神經(jīng)網(wǎng)絡(luò) 1.5　大腦如何解決現(xiàn)實生活中的分類問題 第2章　構(gòu)造神經(jīng)網(wǎng)絡(luò) 2.1　構(gòu)造一個神經(jīng)元 2.2　感知機 2.3　感知機的學習 2.4　用代碼實現(xiàn)一個感知機 2.4.1　Neuroph：一個基于Java的神經(jīng)網(wǎng)絡(luò)框架 2.4.2　代碼實現(xiàn)感知機 2.4.3　感知機學習一個簡單邏輯運算 2.4.4　XOR問題 2.5　構(gòu)造一個神經(jīng)網(wǎng)絡(luò) 2.5.1　線性不可分 2.5.2　解決XOR問題（解決線性不可分） 2.5.3　XOR問題的代碼實現(xiàn) 2.6　解決一些實際問題 2.6.1　識別動物 2.6.2　我是預測大師 第3章　深度學習是個什么東西 3.1　機器學習 3.2　特征 3.2.1　特征粒度 3.2.2　提取淺層特征 3.2.3　結(jié)構(gòu)性特征 3.3　淺層學習和深度學習 3.4　深度學習和神經(jīng)網(wǎng)絡(luò) 3.5　如何訓練神經(jīng)網(wǎng)絡(luò) 3.5.1　BP算法：神經(jīng)網(wǎng)絡(luò)訓練 3.5.2　BP算法的問題 3.6　總結(jié)深度學習及訓練過程 第4章　深度學習的常用方法 4.1　模擬大腦的學習和重構(gòu) 4.1.1　灰度圖像 4.1.2　流行感冒 4.1.3　看看如何編解碼 4.1.4　如何訓練 4.1.5　有監(jiān)督微調(diào) 4.2　快速感知：稀疏編碼（Sparse Coding） 4.3　棧式自編碼器 4.4　解決概率分布問題：限制波爾茲曼機 4.4.1　生成模型和概率模型 4.4.2　能量模型 4.4.3　RBM的基本概念 4.4.4　再看流行感冒的例子 4.5　DBN 4.6　卷積神經(jīng)網(wǎng)絡(luò) 4.6.1　卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 4.6.2　關(guān)于參數(shù)減少與權(quán)值共享 4.6.3 舉個典型的例子：圖片內(nèi)容識別 4.7　不會忘記你：循環(huán)神經(jīng)網(wǎng)絡(luò) 4.7.1　什么是RNN 4.7.2　LSTM網(wǎng)絡(luò) 4.7.3　LSTM變體 4.7.4　結(jié)論 4.8　你是我的眼：利用稀疏編碼器找圖像的基本單位 4.9　你是我的眼（續(xù)） 4.10　使用深度信念網(wǎng)搞定花分類 第5章　深度學習的勝利：AlphaGo 5.1　AI如何玩棋類游戲 5.2　圍棋的復雜性 5.3　AlphaGo的主要原理 5.3.1　策略網(wǎng)絡(luò) 5.3.2　MCTS拯救了圍棋算法 5.3.3　強化學習：“周伯通，左右互搏” 5.3.4　估值網(wǎng)絡(luò) 5.3.5　將所有組合到一起：樹搜索 5.3.6　AlphaGo有多好 5.3.7　總結(jié) 5.4　重要的技術(shù)進步 5.5　一些可以改進的地方 5.6　未來 第6章　兩個重要的概念 6.1　遷移學習 6.2　概率圖模型 6.2.1　貝葉斯的網(wǎng)絡(luò)結(jié)構(gòu) 6.2.2　概率圖分類 6.2.3　如何應(yīng)用PGM 第7章　雜項 7.1　如何為不同類型的問題選擇模型 7.2　我們?nèi)绾螌W習“深度學習” 7.3　如何理解機器學習和深度學習的差異 7.4　大規(guī)模學習（Large Scale Learning）和并行計算 7.5　如果喜歡應(yīng)用領(lǐng)域，可以考慮以下幾種應(yīng)用 7.6　類腦：人工智能的目標 參考文獻 術(shù)語