第0章　寫在前面：神經(jīng)網(wǎng)絡(luò)的歷史 1第1章　神經(jīng)網(wǎng)絡(luò)是個(gè)什么東西 131.1　買橙子和機(jī)器學(xué)習(xí) 131.1.1　規(guī)則列表 141.1.2　機(jī)器學(xué)習(xí) 151.2　怎么定義神經(jīng)網(wǎng)絡(luò) 161.3　先來看看大腦如何學(xué)習(xí) 161.3.1　信息輸入 171.3.2　模式加工 171.3.3　動(dòng)作輸出 181.4　生物意義上的神經(jīng)元 191.4.1　神經(jīng)元是如何工作的 191.4.2　組成神經(jīng)網(wǎng)絡(luò) 221.5　大腦如何解決現(xiàn)實(shí)生活中的分類問題 24第2章　構(gòu)造神經(jīng)網(wǎng)絡(luò) 262.1　構(gòu)造一個(gè)神經(jīng)元 262.2　感知機(jī) 302.3　感知機(jī)的學(xué)習(xí) 322.4　用代碼實(shí)現(xiàn)一個(gè)感知機(jī) 342.4.1　neuroph：一個(gè)基于java的神經(jīng)網(wǎng)絡(luò)框架 342.4.2　代碼實(shí)現(xiàn)感知機(jī) 372.4.3　感知機(jī)學(xué)習(xí)一個(gè)簡單邏輯運(yùn)算 392.4.4　xor問題 422.5　構(gòu)造一個(gè)神經(jīng)網(wǎng)絡(luò) 442.5.1　線性不可分 452.5.2　解決xor問題（解決線性不可分） 492.5.3　xor問題的代碼實(shí)現(xiàn) 512.6　解決一些實(shí)際問題 542.6.1　識(shí)別動(dòng)物 542.6.2　我是預(yù)測大師 59第3章　深度學(xué)習(xí)是個(gè)什么東西 663.1　機(jī)器學(xué)習(xí) 673.2　特征 753.2.1　特征粒度 753.2.2　提取淺層特征 763.2.3　結(jié)構(gòu)性特征 783.3　淺層學(xué)習(xí)和深度學(xué)習(xí) 813.4　深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò) 833.5　如何訓(xùn)練神經(jīng)網(wǎng)絡(luò) 843.5.1　bp算法：神經(jīng)網(wǎng)絡(luò)訓(xùn)練 843.5.2　bp算法的問題 853.6　總結(jié)深度學(xué)習(xí)及訓(xùn)練過程 86第4章　深度學(xué)習(xí)的常用方法 894.1　模擬大腦的學(xué)習(xí)和重構(gòu) 904.1.1　灰度圖像 914.1.2　流行感冒 924.1.3　看看如何編解碼 934.1.4　如何訓(xùn)練 954.1.5　有監(jiān)督微調(diào) 974.2　快速感知：稀疏編碼（sparse coding） 984.3　棧式自編碼器 1004.4　解決概率分布問題：限制波爾茲曼機(jī) 1024.4.1　生成模型和概率模型 1024.4.2　能量模型 1074.4.3　rbm的基本概念 1094.4.4　再看流行感冒的例子 1114.5　dbn 1124.6　卷積神經(jīng)網(wǎng)絡(luò) 1144.6.1　卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 1164.6.2　關(guān)于參數(shù)減少與權(quán)值共享 1204.6.3  舉個(gè)典型的例子：圖片內(nèi)容識(shí)別 1244.7　不會(huì)忘記你：循環(huán)神經(jīng)網(wǎng)絡(luò) 1314.7.1　什么是rnn 1314.7.2　lstm網(wǎng)絡(luò) 1364.7.3　lstm變體 1414.7.4　結(jié)論 1434.8　你是我的眼：利用稀疏編碼器找圖像的基本單位 1434.9　你是我的眼（續(xù)） 1504.10　使用深度信念網(wǎng)搞定花分類 160第5章　深度學(xué)習(xí)的勝利：alphago 1695.1　ai如何玩棋類游戲 1695.2　圍棋的復(fù)雜性 1715.3　alphago的主要原理 1735.3.1　策略網(wǎng)絡(luò) 1745.3.2　mcts拯救了圍棋算法 1765.3.3　強(qiáng)化學(xué)習(xí)：“周伯通，左右互搏” 1795.3.4　估值網(wǎng)絡(luò) 1815.3.5　將所有組合到一起：樹搜索 1825.3.6　alphago有多好 1855.3.7　總結(jié) 1875.4　重要的技術(shù)進(jìn)步 1895.5　一些可以改進(jìn)的地方 1905.6　未來 192第6章　兩個(gè)重要的概念 1946.1　遷移學(xué)習(xí) 1946.2　概率圖模型 1976.2.1　貝葉斯的網(wǎng)絡(luò)結(jié)構(gòu) 2016.2.2　概率圖分類 2046.2.3　如何應(yīng)用pgm 208第7章　雜項(xiàng) 2107.1　如何為不同類型的問題選擇模型 2107.2　我們?nèi)绾螌W(xué)習(xí)“深度學(xué)習(xí)” 2117.3　如何理解機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的差異 2127.4　大規(guī)模學(xué)習(xí)（large scale learning）和并行計(jì)算 2147.5　如果喜歡應(yīng)用領(lǐng)域，可以考慮以下幾種應(yīng)用 2157.6　類腦：人工智能的終極目標(biāo) 216參考文獻(xiàn) 218術(shù)語 220