基础篇
第一章 绪论
第一节 人工智能、机器学习和深度学习
第二节 编程环境
第二章 人工神经网络基础
第一节 感知器
第二节 sigmoid分类器
第三节 softmax多分类器
第四节 多层感知器
第五节 深度神经网络
第六节 回归
第三章 深度学习Python框架
第一节 使用框架的缘由
第二节 深度学习框架简介
第三节 Keras框架
第四节 Keras框架应用示例
第四章 深度学习正则化
第一节 参数范数惩罚
第二节 稀疏表征
第三节 数据扩充与注入噪声
第四节 早停
第五节 dropout
第五章 深度学习的优化
第一节 神经网络优化困难和挑战
第二节 动量学习法
第三节 AdaGrad
第四节 RMsProp
第五节 Adam
第六节 Keras中优化器的使用
第七节 参数初始化策略
第八节 批量归一化
中级篇
第六章 卷积神经网络
第一节 卷积
第二节 池化
第三节 用Keras搭建CNN网络
第四节 深度残差网络ResNet
第五节 DenseNet
第七章 循环神经网络
第一节 循环神经网络的基本结构
第二节 基本循环神经网络的几个变种
第三节 门控循环神经网络
第四节 IndRNN
第五节 RNN的Keras实现
第八章 数据获取与处理
第一节 数据的重要性
第二节 现成的数据集
第三节 数据爬取
第四节 其他数据获取方法
第五节 数据清洗
第六节 数据预处理
第七节 文本数值化
第八节 声音数据预处理
第九节 数据的调整和数据集的划分
高级篇
第九章 生成对抗网络
第一节 经典GAN
第二节 DCGAN
第三节 利用条件GAN架构实现图像风格转换
第四节 CycleGAN
第十章 深度强化学习
第一节 强化学习
第二节 深度强化学习
第三节 教AI玩球碰球游戏
第四节 双Q学习
第五节 深度确定性策略梯度
第十一章 大语言模型
第一节 机器翻译和Attention
第二节 Transformer
第三节 GPT和ChatGPT
第四节 BERT
参考文献
后记
展开
