人人可懂的深度学习

参考文献

术语表

7.5 结语

7.4 可解释性问题

7.3 新形式的硬件

7.2 新模型的提出

7.1 推动算法革新的大数据

第7章 深度学习的未来

6.2 使用反向传播训练神经网络

6.1 梯度下降

第6章 神经网络的训练

5.2 循环神经网络

5.1 卷积神经网络

第5章 卷积神经网络和循环神经网络

4.4 本章小结

4.3 深度学习时代

4.2 连接主义：多层感知机

4.1 早期研究：阈值逻辑单元

第4章 深度学习简史

3.6 本章小结

3.5 使用GPU加速神经网络的训练

3.4 神经元参数的变化如何影响神经元的行为

3.3 为什么需要激活函数

3.2 人工神经元是如何处理信息的

3.1 人工神经网络

第3章 神经网络：深度学习的基石

2.7 本章小结

2.6 输入空间、权重空间和激活空间

2.5 模型的组合

2.4 从数据中学习模型参数

2.3 线性模型的参数设置

2.2 含有多个输入的线性模型

2.1 什么是数学模型

第2章 预备知识

1.7 本章小结及本书内容安排

1.6 深度学习为何如此成功

1.5 有监督学习、无监督学习和强化学习

1.4 机器学习的关键要素

1.3 机器学习为何如此困难

1.2 什么是机器学习

1.1 人工智能、机器学习和深度学习

第1章 深度学习概述

致谢

前言

译者序

版权页

封面

封面

版权页

译者序

前言

致谢

第1章 深度学习概述

1.1 人工智能、机器学习和深度学习

1.2 什么是机器学习

1.3 机器学习为何如此困难

1.4 机器学习的关键要素

1.5 有监督学习、无监督学习和强化学习

1.6 深度学习为何如此成功

1.7 本章小结及本书内容安排

第2章 预备知识

2.1 什么是数学模型

2.2 含有多个输入的线性模型

2.3 线性模型的参数设置

2.4 从数据中学习模型参数

2.5 模型的组合

2.6 输入空间、权重空间和激活空间

2.7 本章小结

第3章 神经网络：深度学习的基石

3.1 人工神经网络

3.2 人工神经元是如何处理信息的

3.3 为什么需要激活函数

3.4 神经元参数的变化如何影响神经元的行为

3.5 使用GPU加速神经网络的训练

3.6 本章小结

第4章 深度学习简史

4.1 早期研究：阈值逻辑单元

4.2 连接主义：多层感知机

4.3 深度学习时代

4.4 本章小结

第5章 卷积神经网络和循环神经网络

5.1 卷积神经网络

5.2 循环神经网络

第6章 神经网络的训练

6.1 梯度下降

6.2 使用反向传播训练神经网络

第7章 深度学习的未来

7.1 推动算法革新的大数据

7.2 新模型的提出

7.3 新形式的硬件

7.4 可解释性问题

7.5 结语

术语表

参考文献