目　錄
原書(shū)前言
致謝
關(guān)于本書(shū)
第一部分　深度學(xué)習(xí)基礎(chǔ)
第 1章　什么是深度學(xué)習(xí)　
1.1　人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)　
1.1.1　人工智能　
1.1.2　機(jī)器學(xué)習(xí)　
1.1.3　從數(shù)據(jù)中學(xué)習(xí)表述　
1.1.4　深度學(xué)習(xí)的“深”　
1.1.5　通過(guò)三張圖理解深度學(xué)習(xí)的原理　
1.1.6　深度學(xué)習(xí)目前能做什么　
1.1.7　不要相信短期炒作　
1.1.8　人工智能的潛力　
1.2　在深度學(xué)習(xí)之前：機(jī)器學(xué)習(xí)簡(jiǎn)史　
1.2.1　概率建�！�
1.2.2　早期的神經(jīng)網(wǎng)絡(luò)　
1.2.3　核方法　
1.2.4　決策樹(shù)、隨機(jī)森林、梯度提升機(jī)　
1.2.5　回到神經(jīng)網(wǎng)絡(luò)　
1.2.6　是什么讓深度學(xué)習(xí)與眾不同　
1.2.7　現(xiàn)代機(jī)器學(xué)習(xí)發(fā)展　
1.3　為什么會(huì)有深度學(xué)習(xí)？為什么是現(xiàn)在　
1.3.1　硬件　
1.3.2　數(shù)據(jù)　
1.3.3　算法　
1.3.4　新一輪投資潮　
1.3.5　深度學(xué)習(xí)走向大眾　
1.3.6　它會(huì)持續(xù)下去嗎　
第 2章　在我們開(kāi)始前：構(gòu)建神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模塊　
2.1　有關(guān)神經(jīng)網(wǎng)絡(luò)的第一印象　
2.2　神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)表示　
2.2.1　標(biāo)量（零維張量）　
2.2.2　向量（一維張量）　
2.2.3　矩陣（二維張量）　
2.2.4　三維張量和高維張量　
2.2.5　關(guān)鍵屬性　
2.2.6　在 R中使用張量　
2.2.7　數(shù)據(jù)批次的概念　
2.2.8　數(shù)據(jù)張量的真實(shí)示例　
2.2.9　向量數(shù)據(jù)　
2.2.10 時(shí)間序列數(shù)據(jù)或序列數(shù)據(jù)　
2.2.11　圖像數(shù)據(jù)　
2.2.12　視頻數(shù)據(jù)　
2.3　神經(jīng)網(wǎng)絡(luò)的齒輪：張量運(yùn)算　
2.3.1　逐元素運(yùn)算　
2.3.2　包含不同維度張量的運(yùn)算　
2.3.3　張量點(diǎn)積　
2.3.4　張量重塑　
2.3.5　張量運(yùn)算的幾何解釋　
2.3.6　深度學(xué)習(xí)的幾何解釋
2.4　神經(jīng)網(wǎng)絡(luò)的引擎：基于梯度的優(yōu)化　
2.4.1　什么是導(dǎo)數(shù)　
2.4.2　張量運(yùn)算的導(dǎo)數(shù)：梯度　
2.4.3　隨機(jī)梯度下降　
2.4.4　鏈?zhǔn)綄?dǎo)數(shù)：后向傳播算法　
2.5　回顧我們的第一個(gè)例子　
2.6　本章小結(jié)　
第 3章　神經(jīng)網(wǎng)絡(luò)入門　
3.1　神經(jīng)網(wǎng)絡(luò)的剖析　
3.1.1　層：深度學(xué)習(xí)的基石　
3.1.2　模型：層網(wǎng)絡(luò)　
3.1.3　損失函數(shù)和優(yōu)化器：配置學(xué)習(xí)過(guò)程的關(guān)鍵　
3.2　Keras簡(jiǎn)介　
3.2.1　Keras、TensorFlow、Theano和 CNTK　
3.2.2　安裝 Keras　46 3.2.3　使用 Keras進(jìn)行開(kāi)發(fā)：快速概述　
3.3　建立深度學(xué)習(xí)工作站　
3.3.1　讓 Keras運(yùn)行：兩個(gè)選項(xiàng)　
3.3.2　在云中運(yùn)行深度學(xué)習(xí)任務(wù)：優(yōu)點(diǎn)和缺點(diǎn)　
3.3.3　什么是深度學(xué)習(xí)的最佳GPU
3.4　電影評(píng)論分類：二元分類示例　
3.4.1　IMDB數(shù)據(jù)集　
3.4.2　準(zhǔn)備數(shù)據(jù)　
3.4.3　構(gòu)建網(wǎng)絡(luò)　
3.4.4　方法驗(yàn)證　
3.4.5　使用經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)生成對(duì)新數(shù)據(jù)的預(yù)測(cè)　
3.4.6　進(jìn)一步的實(shí)驗(yàn)　
3.4.7　小結(jié)　
3.5　新聞專線分類：多類分類示例　
3.5.1　Reuters數(shù)據(jù)集　
3.5.2　準(zhǔn)備數(shù)據(jù)　
3.5.3　構(gòu)建網(wǎng)絡(luò)　
3.5.4　方法驗(yàn)證　
3.5.5　生成對(duì)新數(shù)據(jù)的預(yù)測(cè)　
3.5.6　處理標(biāo)簽和損失的不同方式　
3.5.7　具有足夠大的中間層的重要性　
3.5.8　進(jìn)一步的實(shí)驗(yàn)　
3.5.9　小結(jié)　
3.6　預(yù)測(cè)房?jī)r(jià)：一個(gè)回歸的例子　
3.6.1　波士頓住房?jī)r(jià)格數(shù)據(jù)集　
3.6.2　準(zhǔn)備數(shù)據(jù)　
3.6.3　構(gòu)建網(wǎng)絡(luò)　
3.6.4　使用 K折驗(yàn)證　
3.6.5　小結(jié)
3.7　本章小結(jié)　
第 4章　機(jī)器學(xué)習(xí)基礎(chǔ)　
4.1　機(jī)器學(xué)習(xí)的四個(gè)分支　
4.1.1　監(jiān)督學(xué)習(xí)　
4.1.2　無(wú)監(jiān)督學(xué)習(xí)　
4.1.3　自監(jiān)督學(xué)習(xí)　
4.1.4　強(qiáng)化學(xué)習(xí)　
4.2　評(píng)估機(jī)器學(xué)習(xí)模型　
4.2.1　訓(xùn)練、驗(yàn)證和測(cè)試集　
4.2.2　要記住的事情　
4.3　數(shù)據(jù)預(yù)處理、特征工程和特征學(xué)習(xí)　
4.3.1　神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)處理　
4.3.2　特征工程　
4.4　過(guò)擬合和欠擬合　
4.4.1　縮小網(wǎng)絡(luò)規(guī)�！�
4.4.2　添加權(quán)重正則化　
4.4.3　添加 dropout　
4.5　機(jī)器學(xué)習(xí)的通用工作流程　
4.5.1　定義問(wèn)題并整合數(shù)據(jù)集　
4.5.2　選擇衡量成功的標(biāo)準(zhǔn)　
4.5.3　確定評(píng)估方案　
4.5.4　準(zhǔn)備數(shù)據(jù)　
4.5.5　開(kāi)發(fā)一個(gè)比基線更好的模型　
4.5.6　擴(kuò)展：開(kāi)發(fā)一個(gè)過(guò)擬合的模型　
4.5.7　正則化模型并調(diào)整超參數(shù)　
4.6　本章小結(jié)　
第二部分　深度學(xué)習(xí)實(shí)戰(zhàn)
第 5章　計(jì)算機(jī)視覺(jué)中的深度學(xué)習(xí)　
5.1　卷積網(wǎng)絡(luò)概述　
5.1.1　卷積操作　
5.1.2　最大池化操作　
5.2　在小型數(shù)據(jù)集上從頭開(kāi)始訓(xùn)練一個(gè)卷積網(wǎng)絡(luò)　
5.2.1　深度學(xué)習(xí)與小數(shù)據(jù)問(wèn)題的相關(guān)性　
5.2.2　下載數(shù)據(jù)　
5.2.3　構(gòu)建網(wǎng)絡(luò)　
5.2.4　數(shù)據(jù)預(yù)處理　
5.2.5　使用數(shù)據(jù)擴(kuò)充　
5.3　使用預(yù)訓(xùn)練的卷積網(wǎng)絡(luò)　
5.3.1　特征提取　
5.3.2　微調(diào)　
5.3.3　小結(jié)　
5.4　可視化卷積網(wǎng)絡(luò)學(xué)習(xí)過(guò)程　
5.4.1　可視化中間激活　
5.4.2　可視化卷積網(wǎng)絡(luò)過(guò)濾器
5.4.3　可視化類激活的熱圖
5.5　本章小結(jié)　
第 6章　用于文本和序列數(shù)據(jù)的深度學(xué)習(xí)　
6.1　使用文本數(shù)據(jù)　
6.1.1　詞和字符的獨(dú)熱編碼　
6.1.2　使用單詞嵌入　
6.1.3　將其全部放在一起：從原始文本到單詞嵌入　
6.1.4　小結(jié)　
6.2　了解循環(huán)神經(jīng)網(wǎng)絡(luò)　
6.2.1　Keras中的循環(huán)層　
6.2.2　理解 LSTM 和 GRU 層　
6.2.3　Keras中的一個(gè)具體的 LSTM例子　
6.2.4　小結(jié)　
6