《深度学习基础与应用》分四部分介绍深度学习算法模型及相关应用实例。首部分介绍在深度学习中**的一些数学和机器学习的基础知识。第二部分介绍卷积神经网络、循环神经网络、深度强化网络等经典模型,并对每种模型从原理、结构、优化等方面进行论述。第三部分介绍深度学习中常用的优化方法及训练技巧。第四部分结合实践来介绍深度学习在计算机视觉、模式识别中的应用。 《深度学习基础与应用》同时兼顾理论和应用,有助于读者理解基本理论知识,并将理论知识用于实际应用。 《深度学习基础与应用》既可以作为高等院校计算机及相关专业的高年级本科生和研究生教材,也可供从事人工智能相关领域的工程师和研究人员参考。

第1章 绪论 1.1 人工智能 1.1.1 什么是人工智能 1.1.2 人工智能的实现途径 1.1.3 人工智能发展简史 1.2 深度学习 1.2.1 深度学习发展简史 1.2.2 深度学习的主要应用 第2章 基础知识 2.1 线性代数 2.1.1 线性代数基础 2.1.2 矩阵的秩及矩阵运算 2.1.3 常见特殊矩阵 2.1.4 范数 2.1.5 特征分解 2.1.6 奇异值分解 2.2 概率论 2.2.1 随机变量 2.2.2 概率分布 2.2.3 随机变量的数字特征 2.2.4 贝叶斯定理 2.2.5 常用概率分布 2.3 *优化方法 2.3.1 梯度下降法 2.3.2 牛顿法 2.3.3 拟牛顿法 2.4 机器学习 2.4.1 基本概念 2.4.2 *大似然估计 2.4.3 机器学习的三要素 2.4.4 过拟合与欠拟合 2.4.5 学习方式 2.4.6 评估方法 2.4.7 性能度量 2.5 神经网络 2.5.1 神经元模型 2.5.2 单层感知器 2.5.3 多层感知器 第3章 深度卷积神经网络 3.1 卷积层和卷积运算 3.1.1 生物机理 3.1.2 卷积运算 3.2 池化层和池化运算 3.3 AlexNet卷积神经网络 3.3.1 AlexNet的提出背景 3.3.2 AlexNet的网络结构 3.3.3 AlexNet的训练细节 3.3.4 AlexNet在分类任务上的表现 3.4 VGG网络 3.4.1 VGG网络的提出背景 3.4.2 VGG网络的结构配置 3.4.3 VGG网络的训练细节 3.4.4 VGG网络在分类任务上的表现 3.5 ResNet卷积神经网络 3.5.1 ResNet的提出背景 3.5.2 ResNet的网络结构 3.5.3 ResNet的训练细节 3.5.4 ResNet在分类任务上的表现 第4章 深度循环神经网络 4.1 简单循环网络 4.1.1 简单循环网络的前向传播过程 4.1.2 简单循环潮络的训练过程 4.1.3 单循环网络的长期依赖问题 4.2 长短期记忆网络 4.2.1 门机制 4.2.2 长短期记忆网络的前向传播过 4.2.3 长短期记忆网络的训练过程 4.2.4 长短期记忆网络的变体 4.3 神经图灵机 4.3.1 网络结构 4.3.2 寻址方式 4.3.3 控制器网络 4.3.4 小结 4.4 双向循环网络和多层循环网络 4.4.1 双向循环网络 4.4.2 多层循环网络 第5章 深度生成模型 5.1 变分自编码器 5.1.1 预备知识 5.1.2 解码器网络 5.1.3 编码器网络 5.1.4 总体模型 5.1.5 训练过程 5.2 生成对抗网络 5.2.1 基本思想 5.2.2 理论推导 5.2.3 训练过程 5.2.4 生成对抗网络的变体 第6章 深度强化学习 6.1 强化学习定义 6.1.1 目标函数 6.1.2 值函数 6.1.3 Q函数 6.2 强化学习求解方法 6.2.1 动态规划法 6.2.2 蒙特卡罗法 6.2.3 时序差分学习法 6.3 深度Q网络 6.4 策略梯度法 …… 第7章 深度学习中的优化方法 第8章 深度学习中的训练技巧 第9章 开源框架 第10章 深度学习在目标检测中的应用 第11章 深度学习在目标跟踪中的应用 第12章 深度学习在动作识别中的应用 参考文献