目 錄 緒論?程序員為什么要學(xué)習(xí)機(jī)器學(xué)習(xí) 0.1?工業(yè)革命級(jí)的技術(shù)紅利 0.2?中美兩國(guó)為機(jī)器學(xué)習(xí)作背書(shū) 0.3?從編程思維向數(shù)據(jù)思維的進(jìn)化 第1章?30分鐘環(huán)境搭建速成 1.1?使用Anaconda搭建開(kāi)發(fā)環(huán)境 1.2?使用Python自帶的開(kāi)發(fā)環(huán)境 1.3?從源代碼搭建開(kāi)發(fā)環(huán)境 第2章?深度學(xué)習(xí)5-4-6速成法 2.1?計(jì)算圖模型與計(jì)算框架 2.2?五步法構(gòu)造基本模型 2.3?案例教程 2.4?5-4-6速成法學(xué)習(xí)PyTorch 2.5?5-4-6速成法學(xué)習(xí)TensorFlow 2.6?在TensorFlow中使用Keras 2.7?本章小結(jié) 第3章?張量與計(jì)算圖 3.1?0維張量：標(biāo)量 3.2?計(jì)算圖與流程控制 3.3?變量 第4章?向量與矩陣 4.1?1維張量：向量 4.2?2維張量：矩陣 4.3?n維：張量 第5章?高級(jí)矩陣編程 5.1?范數(shù)及其實(shí)現(xiàn) 5.2?跡運(yùn)算 5.3?矩陣分解 第6章?優(yōu)化方法 6.1?梯度下降的基本原理 6.2?高維條件下的梯度下降 6.3?PyTorch和TensorFlow中的梯度計(jì)算 6.4?梯度下降案例教程 6.5?優(yōu)化方法進(jìn)階 第7章?深度學(xué)習(xí)基礎(chǔ) 7.1?從回歸到分類(lèi) 7.2?深度學(xué)習(xí)簡(jiǎn)史 第8章?基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)：卷積網(wǎng)絡(luò) 8.1?卷積的原理與計(jì)算 8.2?池化層 8.3?激活函數(shù) 8.4?AlexNet 第9章?卷積網(wǎng)絡(luò)圖像處理進(jìn)階 9.1?小卷積核改進(jìn)VGGNet 9.2?GoogLeNet 9.3?殘差網(wǎng)絡(luò) 9.4?目標(biāo)檢測(cè) 9.5?人臉識(shí)別 第10章?基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)：循環(huán)神經(jīng)網(wǎng)絡(luò) 10.1?循環(huán)神經(jīng)網(wǎng)絡(luò)原理 10.2?實(shí)用循環(huán)神經(jīng)網(wǎng)絡(luò)：LSTM 10.3?LSTM案例教程 10.4?實(shí)用循環(huán)神經(jīng)網(wǎng)絡(luò)：GRU 10.5?雙向循環(huán)神經(jīng)網(wǎng)絡(luò) 10.6?將隱藏狀態(tài)串聯(lián)起來(lái) 第11章?RNN在自然語(yǔ)言處理中的應(yīng)用 11.1?文本編碼：從獨(dú)熱編碼到詞向量 11.2?Char-RNN算法 11.3?Char-RNN的訓(xùn)練 11.4?Char-RNN的預(yù)測(cè)推理 11.5?Char-RNN完整模型 第12章?用JavaScript進(jìn)行TensorFlow編程 12.1?TensorFlow.js的簡(jiǎn)介和安裝 12.2?TensorFlow.js的張量操作 12.3?TensorFlow.js的常用運(yùn)算 12.4?激活函數(shù) 12.5?TensorFlow.js變量 12.6?TensorFlow.js神經(jīng)網(wǎng)絡(luò)編程 12.7?TensorFlow.js實(shí)現(xiàn)完整模型 12.8?TensorFlow.js的后端接口 第13章?高級(jí)編程 13.1?GPU加速 13.2?生成對(duì)抗網(wǎng)絡(luò) 13.3?Attention機(jī)制 13.4?多任務(wù)學(xué)習(xí) 第14章?超越深度學(xué)習(xí) 14.1?自動(dòng)機(jī)器學(xué)習(xí)AutoML 14.2?Autokeras 14.3?Windows Subsystem for Linux 14.4?強(qiáng)化學(xué)習(xí) 14.5?強(qiáng)化學(xué)習(xí)編程 14.6?下一步的學(xué)習(xí)方法