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

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

.卷积神经网络

..1卷积

..2池化

..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

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..CNNMnistExample.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 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