目錄
第1章數(shù)學(xué)基礎(chǔ)

1.1數(shù)據(jù)表示標(biāo)量、向量、矩陣和張量

1.1.1標(biāo)量、向量、矩陣和張量

1.1.2向量的范數(shù)

1.1.3常用的向量

1.1.4常見的矩陣

1.1.5矩陣的操作

1.1.6張量的常用操作

1.2優(yōu)化的基礎(chǔ)導(dǎo)數(shù)及其應(yīng)用

1.2.1導(dǎo)數(shù)

1.2.2泰勒公式

1.2.3拉格朗日乘數(shù)法

1.3概率模型的基礎(chǔ)概率論

1.3.1隨機(jī)變量

1.3.2概率分布

1.3.3邊緣概率

1.3.4條件概率

1.3.5獨(dú)立性

1.3.6期望、方差與協(xié)方差

1.3.7常用的概率分布

1.4習(xí)題

第2章Python入門

2.1Python簡介

2.2Python基礎(chǔ)語法

2.2.1數(shù)據(jù)結(jié)構(gòu)類型

2.2.2運(yùn)算符

2.2.3條件語句

2.2.4循環(huán)語句

2.2.5函數(shù)

2.2.6面向?qū)ο笈c類

2.2.7腳本

2.3NumPy

2.3.1NumPy數(shù)組創(chuàng)建與訪問

2.3.2NumPy數(shù)組計算

2.3.3廣播

2.4Matplotlib

2.4.1Matplotlib的安裝

2.4.2Matplotlib圖像的組成部分

2.4.3Pyplot繪制簡單圖形

2.4.4Matplotlib多圖像繪制

2.5實(shí)踐： 豆瓣高分電影爬取

2.5.1思路分析

2.5.2獲取頁面

2.5.3解析頁面

2.5.4存儲數(shù)據(jù)

2.5.5數(shù)據(jù)展示與分析

2.6習(xí)題

第3章機(jī)器學(xué)習(xí)基礎(chǔ)

3.1機(jī)器學(xué)習(xí)概述

3.1.1機(jī)器學(xué)習(xí)定義與基本術(shù)語

3.1.2機(jī)器學(xué)習(xí)的三要素

3.1.3機(jī)器學(xué)習(xí)方法概述

3.2數(shù)據(jù)預(yù)處理

3.2.1數(shù)據(jù)清洗

3.2.2數(shù)據(jù)集拆分

3.2.3數(shù)據(jù)集不平衡

3.3特征工程

3.3.1特征編碼

3.3.2特征選擇與特征降維

3.3.3特征標(biāo)準(zhǔn)化

3.4模型評估

3.5實(shí)踐： 鳶尾花分類

3.5.1數(shù)據(jù)準(zhǔn)備

3.5.2配置模型

3.5.3模型訓(xùn)練

3.5.4數(shù)據(jù)可視化

3.6習(xí)題

第4章深度學(xué)習(xí)基礎(chǔ)

4.1深度學(xué)習(xí)發(fā)展歷程

4.2感知機(jī)

4.2.1感知機(jī)的起源

4.2.2感知機(jī)的局限性

4.3前饋神經(jīng)網(wǎng)絡(luò)

4.3.1神經(jīng)元

4.3.2網(wǎng)絡(luò)結(jié)構(gòu)

4.3.3訓(xùn)練與預(yù)測

4.3.4反向傳播算法

4.4提升神經(jīng)網(wǎng)絡(luò)訓(xùn)練的技巧

4.4.1參數(shù)更新方法

4.4.2數(shù)據(jù)預(yù)處理

4.4.3參數(shù)的初始化

4.4.4正則化

4.5深度學(xué)習(xí)框架

4.5.1深度學(xué)習(xí)框架的作用

4.5.2常見深度學(xué)習(xí)框架

4.5.3飛槳概述

4.6實(shí)踐： 手寫數(shù)字識別

4.6.1數(shù)據(jù)準(zhǔn)備

4.6.2網(wǎng)絡(luò)結(jié)構(gòu)定義

4.6.3網(wǎng)絡(luò)訓(xùn)練

4.6.4網(wǎng)絡(luò)預(yù)測

4.7習(xí)題

第5章卷積神經(jīng)網(wǎng)絡(luò)

5.1概述

5.2整體結(jié)構(gòu)

5.3卷積層

5.3.1全連接層的問題

5.3.2卷積運(yùn)算

5.3.3卷積的導(dǎo)數(shù)

5.3.4卷積層操作

5.3.5矩陣快速卷積

5.4池化層

5.5歸一化層

5.6參數(shù)學(xué)習(xí)

5.7典型卷積神經(jīng)網(wǎng)絡(luò)

5.7.1LeNet

5.7.2AlexNet

5.7.3VGGNet

5.7.4Inception

5.7.5ResNet

5.7.6DenseNet

5.7.7MobileNet

5.7.8ShuffleNet

5.8實(shí)踐： 貓狗識別

5.8.1數(shù)據(jù)準(zhǔn)備

5.8.2網(wǎng)絡(luò)配置

5.8.3網(wǎng)絡(luò)訓(xùn)練

5.8.4網(wǎng)絡(luò)預(yù)測

5.9習(xí)題

第6章循環(huán)神經(jīng)網(wǎng)絡(luò)

6.1循環(huán)神經(jīng)網(wǎng)絡(luò)簡介

6.1.1循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與計算能力

6.1.2參數(shù)學(xué)習(xí)

6.1.3循環(huán)神經(jīng)網(wǎng)絡(luò)變種結(jié)構(gòu)

6.1.4深度循環(huán)神經(jīng)網(wǎng)絡(luò)

6.1.5遞歸神經(jīng)網(wǎng)絡(luò)

6.2長期依賴和門控RNN

6.2.1長期依賴的挑戰(zhàn)

6.2.2循環(huán)神經(jīng)網(wǎng)絡(luò)的長期依賴問題

6.2.3門控RNN

6.2.4優(yōu)化長期依賴

6.3雙向RNN

6.4序列到序列架構(gòu)

6.4.1Seq2Seq

6.4.2注意力機(jī)制

6.5實(shí)踐： 電影評論情感分析

6.5.1數(shù)據(jù)準(zhǔn)備

6.5.2網(wǎng)絡(luò)結(jié)構(gòu)定義

6.5.3網(wǎng)絡(luò)訓(xùn)練

6.5.4網(wǎng)絡(luò)預(yù)測

6.6習(xí)題

第7章深度學(xué)習(xí)進(jìn)階

7.1深度生成模型

7.1.1變分自編碼器

7.1.2生成對抗網(wǎng)絡(luò)

7.2深度強(qiáng)化學(xué)習(xí)

7.2.1強(qiáng)化學(xué)習(xí)模型

7.2.2強(qiáng)化學(xué)習(xí)分類

7.2.3深度強(qiáng)化學(xué)習(xí)

7.2.4深度Q網(wǎng)絡(luò)

7.2.5深度強(qiáng)化學(xué)習(xí)應(yīng)用

7.3遷移學(xué)習(xí)

7.3.1遷移學(xué)習(xí)的定義與分類

7.3.2遷移學(xué)習(xí)的基本方法

7.4實(shí)踐： 生成對抗網(wǎng)絡(luò)

7.4.1數(shù)據(jù)準(zhǔn)備

7.4.2網(wǎng)絡(luò)配置

7.4.3模型訓(xùn)練與預(yù)測

7.5習(xí)題

第8章深度學(xué)習(xí)應(yīng)用： 計算機(jī)視覺

8.1目標(biāo)檢測

8.1.1傳統(tǒng)目標(biāo)檢測

8.1.2基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測

8.1.3基于回歸的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測

8.2語義分割

8.2.1傳統(tǒng)語義分割方法

8.2.2基于卷積神經(jīng)網(wǎng)絡(luò)的語義分割

8.3實(shí)踐： 目標(biāo)檢測

8.3.1數(shù)據(jù)準(zhǔn)備

8.3.2網(wǎng)絡(luò)配置

8.3.3模型訓(xùn)練

8.3.4模型預(yù)測

8.4習(xí)題

第9章深度學(xué)習(xí)應(yīng)用： 自然語言處理

9.1自然語言處理的基本過程

9.1.1獲取語料

9.1.2語料預(yù)處理

9.1.3特征工程

9.2自然語言處理應(yīng)用

9.2.1文本分類

9.2.2機(jī)器翻譯

9.2.3自動問答

9.3實(shí)踐： 機(jī)器翻譯

9.3.1數(shù)據(jù)準(zhǔn)備

9.3.2網(wǎng)絡(luò)結(jié)構(gòu)定義

9.3.3網(wǎng)絡(luò)訓(xùn)練

9.3.4網(wǎng)絡(luò)預(yù)測

9.4習(xí)題

參考文獻(xiàn)