目　錄
原書前言
致謝
關(guān)于本書
**部分　深度學習基礎(chǔ)
第 1章　什么是深度學習　
1.1　人工智能、機器學習和深度學習　
1.1.1　人工智能　
1.1.2　機器學習　
1.1.3　從數(shù)據(jù)中學習表述　
1.1.4　深度學習的“深”　
1.1.5　通過三張圖理解深度學習的原理　
1.1.6　深度學習目前能做什么　
1.1.7　不要相信短期炒作　
1.1.8　人工智能的潛力　
1.2　在深度學習之前：機器學習簡史　
1.2.1　概率建模　
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、隨機森林、梯度提升機　
1.2.5　回到神經(jīng)網(wǎng)絡(luò)　
1.2.6　是什么讓深度學習與眾不同　
1.2.7　現(xiàn)代機器學習發(fā)展　
1.3　為什么會有深度學習？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　深度學習走向大眾　
1.3.6　它會持續(xù)下去嗎　
第 2章　在我們開始前：構(gòu)建神經(jīng)網(wǎng)絡(luò)的數(shù)學模塊　
2.1　有關(guān)神經(jīng)網(wǎng)絡(luò)的**印象　
2.2　神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)表示　
2.2.1　標量（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)張量的真實示例　
2.2.9　向量數(shù)據(jù)　
2.2.10 時間序列數(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：張量運算　
2.3.1　逐元素運算　
2.3.2　包含不同維度張量的運算　
2.3.3　張量點積　
2.3.4　張量重塑　
2.3.5　張量運算的幾何解釋　
2.3.6　深度學習的幾何解釋
2.4　神經(jīng)網(wǎng)絡(luò)的引擎：基于梯度的優(yōu)化　
2.4.1　什么是導數(shù)　
2.4.2　張量運算的導數(shù)：梯度　
2.4.3　隨機梯度下降　
2.4.4　鏈式導數(shù)：后向傳播算法　
2.5　回顧我們的**個例子　
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：深度學習的基石　
3.1.2　模型：層網(wǎng)絡(luò)　
3.1.3　損失函數(shù)和優(yōu)化器：配置學習過程的關(guān)鍵　
3.2　Keras簡介　
3.2.1　Keras、TensorFlow、Theano和 CNTK　
3.2.2　安裝 Keras　46 3.2.3　使用 Keras進行開發(fā)：快速概述　
3.3　建立深度學習工作站　
3.3.1　讓 Keras運行：兩個選項　
3.3.2　在云中運行深度學習任務：優(yōu)點和缺點　
3.3.3　什么是深度學習的*佳GPU
3.4　電影評論分類：二元分類示例　
3.4.1　IMDB數(shù)據(jù)集　
3.4.2　準備數(shù)據(jù)　
3.4.3　構(gòu)建網(wǎng)絡(luò)　
3.4.4　方法驗證　
3.4.5　使用經(jīng)過訓練的網(wǎng)絡(luò)生成對新數(shù)據(jù)的預測　
3.4.6　進一步的實驗　
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　準備數(shù)據(jù)　
3.5.3　構(gòu)建網(wǎng)絡(luò)　
3.5.4　方法驗證　
3.5.5　生成對新數(shù)據(jù)的預測　
3.5.6　處理標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　進一步的實驗　
3.5.9　小結(jié)　
3.6　預測房價：一個回歸的例子　
3.6.1　波士頓住房價格數(shù)據(jù)集　
3.6.2　準備數(shù)據(jù)　
3.6.3　構(gòu)建網(wǎng)絡(luò)　
3.6.4　使用 K折驗證　
3.6.5　小結(jié)
3.7　本章小結(jié)　
第 4章　機器學習基礎(chǔ)　
4.1　機器學習的四個分支　
4.1.1　監(jiān)督學習　
4.1.2　無監(jiān)督學習　
4.1.3　自監(jiān)督學習　
4.1.4　強化學習　
4.2　評估機器學習模型　
4.2.1　訓練、驗證和測試集　
4.2.2　要記住的事情　
4.3　數(shù)據(jù)預處理、特征工程和特征學習　
4.3.1　神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預處理　
4.3.2　特征工程　
4.4　過擬合和欠擬合　
4.4.1　縮小網(wǎng)絡(luò)規(guī)模　
4.4.2　添加權(quán)重正則化　
4.4.3　添加 dropout　
4.5　機器學習的通用工作流程　
4.5.1　定義問題并整合數(shù)據(jù)集　
4.5.2　選擇衡量成功的標準　
4.5.3　確定評估方案　
4.5.4　準備數(shù)據(jù)　
4.5.5　開發(fā)一個比基線更好的模型　
4.5.6　擴展：開發(fā)一個過擬合的模型　
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　深度學習實戰(zhàn)
第 5章　計算機視覺中的深度學習　
5.1　卷積網(wǎng)絡(luò)概述　
5.1.1　卷積操作　
5.1.2　*大池化操作　
5.2　在小型數(shù)據(jù)集上從頭開始訓練一個卷積網(wǎng)絡(luò)　
5.2.1　深度學習與小數(shù)據(jù)問題的相關(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)預處理　
5.2.5　使用數(shù)據(jù)擴充　
5.3　使用預訓練的卷積網(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)學習過程　
5.4.1　可視化中間激活　
5.4.2　可視化卷積網(wǎng)絡(luò)過濾器
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)的深度學習　
6.1　使用文本數(shù)據(jù)　
6.1.1　詞和字符的獨熱編碼　
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中的一個具體的 LSTM例子　
6.2.4　小結(jié)　
6