深度學習基礎與應用

第1章 緒論
1．1 人工智能
1．1．1 什么是人工智能
1．1．2 人工智能的實現(xiàn)途徑
1．1．3 人工智能發(fā)展簡史
1．2 深度學習
1．2．1 深度學習發(fā)展簡史
1．2．2 深度學習的主要應用
第2章 基礎知識
2．1 線性代數(shù)
2．1．1 線性代數(shù)基礎
2．1．2 矩陣的秩及矩陣運算
2．1．3 常見特殊矩陣
2．1．4 范數(shù)
2．1．5 特征分解
2．1．6 奇異值分解
2．2 概率論
2．2．1 隨機變量
2．2．2 概率分布
2．2．3 隨機變量的數(shù)字特征
2．2．4 貝葉斯定理
2．2．5 常用概率分布
2．3 最優(yōu)化方法
2．3．1 梯度下降法
2．3．2 牛頓法
2．3．3 擬牛頓法
2．4 機器學習
2．4．1 基本概念
2．4．2 最大似然估計
2．4．3 機器學習的三要素
2．4．4 過擬合與欠擬合
2．4．5 學習方式
2．4．6 評估方法
2．4．7 性能度量
2．5 神經(jīng)網(wǎng)絡
2．5．1 神經(jīng)元模型
2．5．2 單層感知器
2．5．3 多層感知器
第3章 深度卷積神經(jīng)網(wǎng)絡
3．1 卷積層和卷積運算
3．1．1 生物機理
3．1．2 卷積運算
3．2 池化層和池化運算
3．3 AlexNet卷積神經(jīng)網(wǎng)絡
3．3．1 AlexNet的提出背景
3．3．2 AlexNet的網(wǎng)絡結構
3．3．3 AlexNet的訓練細節(jié)
3．3．4 AlexNet在分類任務上的表現(xiàn)
3．4 VGG網(wǎng)絡
3．4．1 VGG網(wǎng)絡的提出背景
3．4．2 VGG網(wǎng)絡的結構配置
3．4．3 VGG網(wǎng)絡的訓練細節(jié)
3．4．4 VGG網(wǎng)絡在分類任務上的表現(xiàn)
3．5 ResNet卷積神經(jīng)網(wǎng)絡
3．5．1 ResNet的提出背景
3．5．2 ResNet的網(wǎng)絡結構
3．5．3 ResNet的訓練細節(jié)
3．5．4 ResNet在分類任務上的表現(xiàn)
第4章 深度循環(huán)神經(jīng)網(wǎng)絡
4．1 簡單循環(huán)網(wǎng)絡
4．1．1 簡單循環(huán)網(wǎng)絡的前向傳播過程
4．1．2 簡單循環(huán)潮絡的訓練過程
4．1．3 單循環(huán)網(wǎng)絡的長期依賴問題
4．2 長短期記憶網(wǎng)絡
4．2．1 門機制
4．2．2 長短期記憶網(wǎng)絡的前向傳播過
4．2．3 長短期記憶網(wǎng)絡的訓練過程
4．2．4 長短期記憶網(wǎng)絡的變體
4．3 神經(jīng)圖靈機
4．3．1 網(wǎng)絡結構
4．3．2 尋址方式
4．3．3 控制器網(wǎng)絡
4．3．4 小結
4．4 雙向循環(huán)網(wǎng)絡和多層循環(huán)網(wǎng)絡
4．4．1 雙向循環(huán)網(wǎng)絡
4．4．2 多層循環(huán)網(wǎng)絡
第5章 深度生成模型
5．1 變分自編碼器
5．1．1 預備知識
5．1．2 解碼器網(wǎng)絡
5．1．3 編碼器網(wǎng)絡
5．1．4 總體模型
5．1．5 訓練過程
5．2 生成對抗網(wǎng)絡
5．2．1 基本思想
5．2．2 理論推導
5．2．3 訓練過程
5．2．4 生成對抗網(wǎng)絡的變體
第6章 深度強化學習
6．1 強化學習定義
6．1．1 目標函數(shù)
6．1．2 值函數(shù)
6．1．3 Q函數(shù)
6．2 強化學習求解方法
6．2．1 動態(tài)規(guī)劃法
6．2．2 蒙特卡羅法
6．2．3 時序差分學習法
6．3 深度Q網(wǎng)絡
6．4 策略梯度法
……
第7章 深度學習中的優(yōu)化方法
第8章 深度學習中的訓練技巧
第9章 開源框架
第10章 深度學習在目標檢測中的應用
第11章 深度學習在目標跟蹤中的應用
第12章 深度學習在動作識別中的應用
參考文獻