专门录制30小时共43段配套教学视频带领读者无障碍学习
在人工智能的高门槛前建立了多级容易跨越的台阶
提供比较平滑的学习路线，极大地降低了读者的学习难度
从深度学习的数学基础讲起，再重点剖析神经网络的原理与深度学习算法
详解机器视觉、自然语言处理、生成对抗网络等领域的13个应用案例
【了解本书】
深度学习需要哪些数学基础？
神经网络的内部如何运作？
神经网络为何具备学习改进能力？
什么是误差反向回归？
什么叫做损失函数？
什么叫做激活函数？
如何处理过度拟合？
如何避开框架手动实现一个神经网络？
什么叫做卷积运算？
如何用卷积网络识别图片内容？
神经网络如何从图片中抽取信息？
用于训练网络的图片数据不足时该怎么办？
网络为何能够读懂人类文章？
什么叫做LSTM网络模型？
如何将单词转换为可计算的向量？
如何让模糊的语言变得精确和可计算？
如何将深度学习应用到具体项目中？
在实践中运用深度学习技术时遇到问题怎么解决？
……
通过阅读本书，你将了解这些复杂问题背后的原理，甚至你都可以自己解决这些问题。
本书核心知识
【理论基础】
深度学习所需的微积分、线性代数及概率论知识
神经网络运用误差回传改进识别效果的数学原理
使用导数极值原理实现网络学习功能
卷积运算流程及卷积网络识别图片的深层原理
单词向量化的数学模型及LSTM网络层运行原理
【理论实践】
使用导数求极值原理获取多元变量函数的小值
手写一个能识别数字图片的神经网络
用代码实现卷积运算的具体过程
使用keras构建能识别猫狗图片的网络
使用keras构建能识别文字情绪的神经网络
TensorFlow框架基本原理和使用方法
【高级项目实践】
编解码网络原理及图片去噪实践
生成型对抗性网络及手写数字图片生成实践
增强性学习网络及用其解决平衡车模拟难题
实现单词向量化对应的Skim-Gram数学模型
使用LSTM网络构建智能对话机器人
实现图片内容在不同艺术风格下的变迁效应
抓取识别图片或视频流中的不同物体
实现类似于网易云音乐那样的推荐引擎
实现类似于淘宝拍立得功能的图片搜索引擎
【2位专家推荐】
段超 北京邮电大学国际学院企业顾问团专家
王静逸 神兔未来科技有限公司创始人
【超值配书资源】
30小时教学视频
实例源代码文件
相关数据文件
本书通过理论与项目实践相结合的方式引领读者进入人工智能技术的大门。书中首先从人工智能技术的数学基础讲起，然后重点剖析神经网络的运行流程，最后以大量的实际项目编码实践方式帮助读者扎实地掌握人工智能开发所需要的基本理论知识和核心开发技术。
本书共15章，涵盖的内容有神经网络初体验；深度学习的微积分基础；深度学习的线性代数基础；神经网络的理论基础；用Python从零实现识别手写数字的神经网络；神经网络项目实践；使用神经网络实现机器视觉识别；用深度学习实现自然语言处理；自动编解码网络和生成型对抗性网络；增强性学习网络的开发实践；TensorFlow入门；使用TensorFlow和Keras开发高级自然语言处理系统；使用TensorFlow和Keras实现高级图像识别处理系统；使用 TensorFlow和Keras打造智能推荐系统；深度学习重要概念和技巧总结。
本书尽可能通过细致的讲解降低读者入门人工智能编程的门槛。书中案例丰富，内容非常实用，特别适合有志于投身人工智能领域的IT专业人士或学生阅读。阅读本书需要读者具有一定的数学基础。
第1章 神经网络初体验 1
1.1 开发环境的安装 1
1.2 快速构建一个识别手写数字图片的神经网络 2
第2章 深度学习中的微积分基础 8
2.1 实数中的无理数 8
2.2 什么叫极限 10
2.3 函数的连续性 12
2.4 函数求导 13
2.5 导数的一般法则 15
2.6 间套函数的链式求导法则 17
2.7 多变量函数与偏导数 19
2.8 导数与极值 19
2.9 使用导数寻求函数的最小值 21
第3章 深度学习的线性代数基础 25
3.1 常量与向量 26
3.2 矩阵及相关操作 26
3.3 tensor——多维向量 28
3.4 向量范数 30
第4章 神经网络的理论基础 31
4.1 详解神经网络中的神经元激活函数 31
4.2 使用矩阵运算驱动神经网络数据加工链 38
4.3 通过反向传播算法回传误差改进链路权重 42
4.4 使用矩阵和梯度下降法实现神经网络的迭代训练 45
4.5 手算梯度下降法，详解神经网络迭代训练过程 53
第5章 用Python从零实现识别手写数字的神经网络 58
5.1 基本框架的搭建 58
5.2 实现网络的迭代训练功能 62
5.3 网络训练，识别手写数字图片 64
第6章 神经网络项目实践 70
6.1 使用神经网络分析电影评论的正能量和负能量 70
6.2 使用神经网络实现新闻话题分类 78
6.3 使用神经网络预测房价中位数 83
第7章 使用神经网络实现机器视觉识别 90
7.1 卷积神经网络入门 90
7.2 从零开始构造一个识别猫、狗图片的卷积网络 93
7.3 使用预先训练的卷积网络实现图像快速识别 101
7.4 视觉化神经网络的学习过程 105
7.5 揭秘卷积网络的底层原理 109
第8章 用深度学习实现自然语言处理 124
8.1 Word Embedding 单词向量化 124
8.2 概率论的一些重要概念 130
8.3 skip-gram单词向量化算法的数学原理 136
8.4 使用预先训练好的单词向量实现新闻摘要分类 140
8.5 RNN——具有记忆功能的神经网络 143
8.6 LSTM网络层详解及其应用 145
8.7 使用RNN和CNN混合的“鸡尾酒疗法”提升网络运行效率 148
第9章 自动编解码网络和生成型对抗性网络 150
9.1 自动编解码器网络的原理与实现 150
9.2 去噪型编解码网络 154
9.3 使用自动编解码网络实现黑白图片上色 157
9.4 生成型对抗性网络 162
9.5 生成型对抗性网络的代码实现 163
9.6 条件性生成型对抗性网络 169
第10章 增强性学习网络开发实践 176
10.1 增强性学习网络的基本原理 176
10.2 开发环境配置 177
10.3 增强性学习网络的数学原理 179
10.4 Bellman函数和最优化 180
10.5 Bellman等式的推导 181
10.6 用实例讲解Bellman函数的应用 182
10.7 解决冰冻湖问题 185
10.8 ε贪婪算法 188
10.9 运用神经网络和Bellman函数解决Cartpole问题 188
第11章 TensorFlow入门 193
11.1 TensorFlow图运算原理 193
11.2 TensorFlow代码实践 195
11.3 TensorFlow的输入、变量、输出及运算操作 197
11.4 TensorFlow的变量定义 200
11.5 TensorFlow的运算输出及运算操作 201
11.6 用TensorFlow开发神经网络的相关操作 204
11.7 开发TensorFlow程序应注意的事项 207
11.8 使用TensorFlow开发神经网络 213
第12章 使用TensorFlow和Keras 开发高级自然语言处理系统 218
12.1 Skip-Gram算法实现 218
12.2 使用RNN网络模型的基本原理 230
12.3 代码实现RNN网络 232
12.4 LSTM网络的结构原理 242
12.5 使用LSTM网络实现人机问答系统 247
第13章 使用TensorFlow和Keras 实现高级图像识别处理系统 256
13.1 实现艺术风格的转换 256
13.2 使用胶囊网络实现服装识别 266
13.3 使用TensorFlow API 实现精准物体识别 285
13.4 DeeDream：使用神经网络构造具有惊悚审美效果的艺术作品 293
第14章 使用TensorFlow和Keras 打造智能推荐系统 300
14.1 创造一个网易云音乐推荐引擎 300
14.2 使用TensorFlow构建高质量商品推荐系统 309
14.3 实现淘宝“拍立淘”图片搜索引擎 313
第15章 深度学习的重要概念和技巧总结 319
……
众所周知，深度学习的入门门槛颇高。陈屹编写的这本书颇有特色，主要体现在书中循序渐进、由浅入深地将一个难度颇大的技术话题分解成多个难度比较小的知识点，然后带领读者逐个击破，最后一举拿下深度学习这块非常难啃的骨头。这本书在高门槛前建立了多级容易跨越的台阶，让读者的学习曲线比较平滑，极大地降低了学习难度，推荐给有志于从事人工智能的工程师和爱好者研读。
——北京邮电大学国际学院企业顾问团专家 段超
在大数据和人工智能时代，技术趋势出现了范式变迁，软件开发的价值链出现了偏移。早前开发者掌握了常用的开发语言和一定的编码技术，能实现项目要求的功能，就能拿到不低的工资。如今随着人工智能时代的到来，只有那些数学基础和算法知识扎实的工程师，才可以利用趋势实现价值的进一步提升。本书详细阐述了深度学习的内在原理，并辅以多个项目实战案例增强读者的学习效果。任何想爬上技术食物链顶端的工程师都可以将本书作为学习和实践的指导书，提升自己在人工智能领域的能力，从而实现价值的跃迁。
——神兔未来科技有限公司创始人 王静逸