更新时间：2020-09-28 17:22:25
封面
序
前言
为何写作本书
本书主要特点
本书阅读对象
如何阅读本书
致谢
第一部分 数学与编程基础篇
第1章 数学基础与Python库
1.1 Python是进行人工智能编程的主要语言
1.2 数学基础
1.2.1 线性代数基础
1.2.2 微积分基础
1.3 Python库的操作
1.3.1 NumPy操作
1.3.2 Matplotlib操作
1.4 本章小结
第2章 深度学习概论与飞桨入门
2.1 人工智能、机器学习和深度学习
2.1.1 人工智能
2.1.2 机器学习
2.1.3 深度学习
2.2 深度学习的发展历程
2.2.1 神经网络的第一次高潮
2.2.2 神经网络的第一次寒冬
2.2.3 神经网络的第二次高潮
2.2.4 神经网络的第二次寒冬
2.2.5 深度学习的来临
2.2.6 深度学习崛起的时代背景
2.3 深度学习的应用场景
2.3.1 图像与视觉
2.3.2 语音识别
2.3.3 自然语言处理
2.3.4 个性化推荐
2.4 常见的深度学习网络结构
2.4.1 全连接网络结构
2.4.2 卷积神经网络
2.4.3 循环神经网络
2.5 机器学习回顾
2.5.1 线性回归的基本概念
2.5.2 数据处理
2.5.3 模型概览
2.5.4 效果展示
2.6 深度学习框架简介
2.6.1 深度学习框架的优势
2.6.2 常见的深度学习框架
2.6.3 飞桨简介
2.6.4 飞桨安装
2.6.5 AI Studio
2.7 飞桨实现
2.8 飞桨服务平台和工具组件
2.8.1 PaddleHub
2.8.2 X2Paddle
2.8.3 PARL
2.8.4 EasyDL
2.9 本章小结
第二部分 深度学习基础篇
第3章 深度学习的单层网络
3.1 Logistic回归模型
3.1.1 Logistic回归概述
3.1.2 损失函数
3.1.3 Logistic回归的梯度下降
3.2 实现Logistic回归模型
3.2.1 NumPy版本
3.2.2 飞桨版本
3.3 本章小结
第4章 浅层神经网络
4.1 神经网络
4.1.1 神经网络的定义及其结构
4.1.2 神经网络的计算
4.2 BP算法
4.2.1 逻辑回归与BP算法
4.2.2 单样本双层神经网络的BP算法
4.2.3 多样本神经网络的BP算法
4.3 BP算法实践
4.3.1 NumPy版本
4.3.2 飞桨版本
4.4 本章小结
第5章 深层神经网络
5.1 深层网络介绍
5.1.1 深度影响算法能力
5.1.2 网络演化过程与常用符号
5.2 传播过程
5.2.1 神经网络算法核心思想
5.2.2 深层网络正向传播过程
5.2.3 深层网络反向传播过程
5.2.4 传播过程总结
5.3 网络的参数
5.4 代码实现
5.4.1 NumPy版本
5.4.2 飞桨版本
5.5 本章小结
第6章 卷积神经网络
6.1 图像分类问题描述
6.2 卷积神经网络介绍
6.2.1 卷积层
6.2.2 ReLU激活函数
6.2.3 池化层
6.2.4 Softmax分类层
