神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

第0章　寫(xiě)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(gè)什么東西 1.1　買(mǎi)橙子和機(jī)器學(xué)習(xí) 1.1.1　規(guī)則列表 1.1.2　機(jī)器學(xué)習(xí) 1.2　怎么定義神經(jīng)網(wǎng)絡(luò) 1.3　先來(lái)看看大腦如何學(xué)習(xí) 1.3.1　信息輸入 1.3.2　模式加工 1.3.3　動(dòng)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(shí)生活中的分類(lèi)問(wèn)題 第2章　構(gòu)造神經(jīng)網(wǎng)絡(luò) 2.1　構(gòu)造一個(gè)神經(jīng)元 2.2　感知機(jī) 2.3　感知機(jī)的學(xué)習(xí) 2.4　用代碼實(shí)現(xiàn)一個(gè)感知機(jī) 2.4.1　Neuroph：一個(gè)基于Java的神經(jīng)網(wǎng)絡(luò)框架 2.4.2　代碼實(shí)現(xiàn)感知機(jī) 2.4.3　感知機(jī)學(xué)習(xí)一個(gè)簡(jiǎn)單邏輯運(yùn)算 2.4.4　XOR問(wèn)題 2.5　構(gòu)造一個(gè)神經(jīng)網(wǎng)絡(luò) 2.5.1　線(xiàn)性不可分 2.5.2　解決XOR問(wèn)題（解決線(xiàn)性不可分） 2.5.3　XOR問(wèn)題的代碼實(shí)現(xiàn) 2.6　解決一些實(shí)際問(wèn)題 2.6.1　識(shí)別動(dòng)物 2.6.2　我是預(yù)測(cè)大師 第3章　深度學(xué)習(xí)是個(gè)什么東西 3.1　機(jī)器學(xué)習(xí) 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(xué)習(xí)和深度學(xué)習(xí) 3.4　深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò) 3.5　如何訓(xùn)練神經(jīng)網(wǎng)絡(luò) 3.5.1　BP算法：神經(jīng)網(wǎng)絡(luò)訓(xùn)練 3.5.2　BP算法的問(wèn)題 3.6　總結(jié)深度學(xué)習(xí)及訓(xùn)練過(guò)程 第4章　深度學(xué)習(xí)的常用方法 4.1　模擬大腦的學(xué)習(xí)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(xùn)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(wèn)題：限制波爾茲曼機(jī) 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(gè)典型的例子：圖片內(nèi)容識(shí)別 4.7　不會(huì)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(lèi) 第5章　深度學(xué)習(xí)的勝利：AlphaGo 5.1　AI如何玩棋類(lèi)游戲 5.2　圍棋的復(fù)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(qiáng)化學(xué)習(xí)：“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(shù)搜索 5.3.6　AlphaGo有多好 5.3.7　總結(jié) 5.4　重要的技術(shù)進(jìn)步 5.5　一些可以改進(jìn)的地方 5.6　未來(lái) 第6章　兩個(gè)重要的概念 6.1　遷移學(xué)習(xí) 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(lèi) 6.2.3　如何應(yīng)用PGM 第7章　雜項(xiàng) 7.1　如何為不同類(lèi)型的問(wèn)題選擇模型 7.2　我們?nèi)绾螌W(xué)習(xí)“深度學(xué)習(xí)” 7.3　如何理解機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的差異 7.4　大規(guī)模學(xué)習(xí)（Large Scale Learning）和并行計(jì)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(lèi)腦：人工智能的目標(biāo) 參考文獻(xiàn) 術(shù)語(yǔ)