深度學(xué)習(xí)商業(yè)應(yīng)用開發(fā)指南：從對話機(jī)器人到醫(yī)療圖像處理

第一部分 背景和基礎(chǔ)知識

第1章 緒 論

1.1 范圍和動機(jī)

1.2 深度學(xué)習(xí)領(lǐng)域的挑戰(zhàn)

1.3 目標(biāo)受眾

1.4 本書結(jié)構(gòu)

第2章 深度學(xué)習(xí)概述

2.1 冬去春來

2.2 為什么DL不同? 

2.2.1 機(jī)器時(shí)代

2.2.2 對DL的一些批評

2.3 資 源

2.3.1 圖 書

2.3.2 簡 訊

2.3.3 博 客

2.3.4 在線視頻和課程

2.3.5 播 客

2.3.6 其他網(wǎng)絡(luò)資源

2.3.7 從一些不錯(cuò)的地方開始學(xué)習(xí)

2.3.8 會 議

2.3.9 其他資源

2.3.10 DL框架

2.3.11 DL即服務(wù)(DLAS,DL As a Service)

2.4 最近的發(fā)展

2.4.1 2016年

2.4.2 2017年

2.4.3 演化算法

2.4.4 創(chuàng)造力

第3章 深度神經(jīng)網(wǎng)絡(luò)模型

3.1 神經(jīng)網(wǎng)絡(luò)簡史

3.1.1 多層感知器

3.2 什么是深度神經(jīng)網(wǎng)絡(luò)

3.3 玻耳茲曼機(jī)器

3.3.1 受限玻耳茲曼機(jī)器

3.3.2 深度信念網(wǎng)絡(luò)

3.3.3 深度玻耳茲曼機(jī)器

3.4 卷積神經(jīng)網(wǎng)絡(luò)

3.5 深度自動編碼器

3.6 遞歸神經(jīng)網(wǎng)絡(luò)

3.6.1 強(qiáng)化學(xué)習(xí)的RNN

3.6.2 LSTM

3.7 生成模型

3.7.1 變分自動編碼器

3.7.2 生成性對抗網(wǎng)絡(luò)

第二部分 深度學(xué)習(xí):核心應(yīng)用

第4章 圖像處理

4.1 CNN 圖像處理模型

4.2 ImageNet及其他

4.3 圖像分割

4.4 圖像標(biāo)題

4.5 視覺問答(VQA)

4.6 視頻分析

4.7 GAN 和生成模型

4.8 其他應(yīng)用

4.8.1 衛(wèi)星圖像

4.9 新聞和公司

4.10 第三方工具和API

第5章 自然語言處理及語音

5.1 解 析

5.2 分布式表示

5.3 知識表示與知識圖譜

5.4 自然語言翻譯

5.5 其他應(yīng)用

5.6 多模態(tài)學(xué)習(xí)與問答

5.7 語音識別

5.8 新聞與資源

5.9 總結(jié)與思考展望

第6章 強(qiáng)化學(xué)習(xí)和機(jī)器人

6.1 什么是強(qiáng)化學(xué)習(xí)

6.2 傳統(tǒng)的RL

6.3 DNN 強(qiáng)化學(xué)習(xí)

6.3.1 確定性政策梯度

6.3.2 深層確定性政策梯度

6.3.3 深度Q 學(xué)習(xí)

6.3.4 Actor Critic算法

6.4 機(jī)器人與控制

6.5 自動駕駛汽車

6.6 會話機(jī)器人(聊天機(jī)器人)

6.7 新聞聊天機(jī)器人

6.8 應(yīng) 用

6.9 展 望

6.10 自動駕駛汽車的相關(guān)新聞

第三部分 深度學(xué)習(xí):商務(wù)應(yīng)用

第7章 推薦算法和電子商務(wù)

7.1 在線用戶行為

7.2 重新定向

7.3 推薦算法

7.3.1 協(xié)同過濾器

7.3.2 RS的深度學(xué)習(xí)算法

7.3.3 Item2Vec

7.4 推薦算法的應(yīng)用

7.5 未來發(fā)展方向

第8章 游戲和藝術(shù)

8.1 早期的國際象棋

8.2 從國際象棋到圍棋

8.3 其他游戲和新聞

8.3.1 Doom

8.3.2 Dota

8.3.3 其他應(yīng)用

8.4 人造角色

8.5 藝術(shù)中的應(yīng)用

8.6 音 樂

8.7 多模態(tài)學(xué)習(xí)

8.8 其他應(yīng)用

第9章 其他應(yīng)用

9.1 異常檢測與欺詐

9.1.1 欺詐預(yù)防

9.1.2 網(wǎng)上評論的欺詐行為

9.2 安保及防范

9.3 預(yù) 測

9.3.1 交易和對沖基金

9.4 醫(yī)學(xué)和生物醫(yī)學(xué)

9.4.1 圖像處理醫(yī)學(xué)圖像

9.4.2 生物組學(xué)

9.4.3 藥物發(fā)現(xiàn)

9.5 其他應(yīng)用

9.5.1 用戶體驗(yàn)

9.5.2 大數(shù)據(jù)

9.6 未 來

第四部分 機(jī)遇與展望

第10章 深度學(xué)習(xí)技術(shù)的商務(wù)影響

10.1 深度學(xué)習(xí)機(jī)會

10.2 計(jì)算機(jī)視覺

10.3 AI助手

10.4 法 律

10.5 放射學(xué)和醫(yī)學(xué)圖像

10.6 自動駕駛汽車

10.7 數(shù)據(jù)中心

10.8 利用DL建立競爭優(yōu)勢

10.9 人 才

10.10 光有準(zhǔn)確度還不夠

10.11 風(fēng) 險(xiǎn)

10.12 當(dāng)個(gè)人助理變得比我們好

第11章 新近研究和未來方向

11.1 研 究

11.1.1 注意機(jī)制

11.1.2 多模式學(xué)習(xí)

11.1.3 一次性學(xué)習(xí)

11.1.4 強(qiáng)化學(xué)習(xí)和推理

11.1.5 生成神經(jīng)網(wǎng)絡(luò)

11.1.6 生成性對抗神經(jīng)網(wǎng)絡(luò)

11.1.7 知識轉(zhuǎn)移和學(xué)會學(xué)習(xí)

11.2 何時(shí)不使用深度學(xué)習(xí)

11.3 新 聞

11.4 人工智能在社會中的倫理和啟示

11.5 AI中的隱私和公共政策

11.6 初創(chuàng)公司和風(fēng)險(xiǎn)投資

11.7 未 來

11.7.1 用較少的數(shù)據(jù)學(xué)習(xí)

11.7.2 轉(zhuǎn)移學(xué)習(xí)

11.7.3 多任務(wù)學(xué)習(xí)

11.7.4 對抗性學(xué)習(xí)

11.7.5 少量學(xué)習(xí)

11.7.6 元學(xué)習(xí)

11.7.7 神經(jīng)推理

附錄A 用Keras訓(xùn)練DNN

A.1 Keras框架

A.1.1 在Linux中安裝Keras/

A.1.2 模 型

A.1.3 核心層

A.1.4 損失函數(shù)

A.1.5 培訓(xùn)和測試

A.1.6 回 調(diào)

A.1.7 編譯和擬合

A.2 深度和寬度模型

A.3 用于圖像分割的FCN

A.3.1 序列到序列

A.4 多層感知器的反向傳播

參考文獻(xiàn)