隨著AlphaGo與李世石大戰(zhàn)的落幕，人工智能成為話題焦點。AlphaGo背后的工作原理"深度學習"也跳入大眾的視野。什么是深度學習，什么是神經(jīng)網(wǎng)絡，為何一段程序在精密的圍棋大賽中可以大獲全勝？人工智終將會取代人類智慧嗎？
本書結合日常生活中的尋常小事，生動形象地闡述了神經(jīng)網(wǎng)絡與深度學習的基本概念、原理和實踐，案例豐富，深入淺出。對于正在進入人工智能時代的我們，這些內(nèi)容無疑可以幫助我們更好地理解人工智能的原理，豐富我們對人類自身的認識，并啟發(fā)我們對人機智能之爭更深一層的思考與探索。
《神經(jīng)網(wǎng)絡與深度學習》是一本介紹神經(jīng)網(wǎng)絡和深度學習算法基本原理及相關實例的書籍，它不是教科書，作者已盡量把公式減少到最少，以適應絕大部分人的閱讀基礎和知識儲備。《神經(jīng)網(wǎng)絡與深度學習》涵蓋了神經(jīng)網(wǎng)絡的研究歷史、基礎原理、深度學習中的自編碼器、深度信念網(wǎng)絡、卷積神經(jīng)網(wǎng)絡等，這些算法都已在很多行業(yè)發(fā)揮了價值。
《神經(jīng)網(wǎng)絡與深度學習》適合有志于從事深度學習行業(yè)的，或想了解深度學習到底是什么的，或是有一定機器學習基礎的朋友閱讀。
目錄：
第0章 寫在前面：神經(jīng)網(wǎng)絡的歷史 1
第1章 神經(jīng)網(wǎng)絡是個什么東西 13
1.1 買橙子和機器學習 13
1.1.1 規(guī)則列表 14
1.1.2 機器學習 15
1.2 怎么定義神經(jīng)網(wǎng)絡 16
1.3 先來看看大腦如何學習 16
1.3.1 信息輸入 17
1.3.2 模式加工 17
1.3.3 動作輸出 18
1.4 生物意義上的神經(jīng)元 19
1.4.1 神經(jīng)元是如何工作的 19
1.4.2 組成神經(jīng)網(wǎng)絡 22
1.5 大腦如何解決現(xiàn)實生活中的分類問題 24
第2章 構造神經(jīng)網(wǎng)絡 26
2.1 構造一個神經(jīng)元 26
2.2 感知機 30
2.3 感知機的學習 32
2.4 用代碼實現(xiàn)一個感知機 34
2.4.1 Neuroph：一個基于Java的神經(jīng)網(wǎng)絡框架 34
2.4.2 代碼實現(xiàn)感知機 37
2.4.3 感知機學習一個簡單邏輯運算 39
2.4.4 XOR問題 42
2.5 構造一個神經(jīng)網(wǎng)絡 44
2.5.1 線性不可分 45
2.5.2 解決XOR問題（解決線性不可分） 49
2.5.3 XOR問題的代碼實現(xiàn) 51
2.6 解決一些實際問題 54
2.6.1 識別動物 54
2.6.2 我是預測大師 59
第3章 深度學習是個什么東西 66
3.1 機器學習 67
3.2 特征 75
3.2.1 特征粒度 75
3.2.2 提取淺層特征 76
3.2.3 結構性特征 78
3.3 淺層學習和深度學習 81
3.4 深度學習和神經(jīng)網(wǎng)絡 83
3.5 如何訓練神經(jīng)網(wǎng)絡 84
3.5.1 BP算法：神經(jīng)網(wǎng)絡訓練 84
3.5.2 BP算法的問題 85
3.6 總結深度學習及訓練過程 86
第4章 深度學習的常用方法 89
4.1 模擬大腦的學習和重構 90
4.1.1 灰度圖像 91
4.1.2 流行感冒 92
4.1.3 看看如何編解碼 93
4.1.4 如何訓練 95
4.1.5 有監(jiān)督微調(diào) 97
4.2 快速感知：稀疏編碼（Sparse Coding） 98
4.3 棧式自編碼器 100
4.4 解決概率分布問題：限制波爾茲曼機 102
4.4.1 生成模型和概率模型 102
4.4.2 能量模型 107
4.4.3 RBM的基本概念 109
4.4.4 再看流行感冒的例子 111
4.5 DBN 112
4.6 卷積神經(jīng)網(wǎng)絡 114
4.6.1 卷積神經(jīng)網(wǎng)絡的結構 116
4.6.2 關于參數(shù)減少與權值共享 120
4.6.3 舉個典型的例子：圖片內(nèi)容識別 124
4.7 不會忘記你：循環(huán)神經(jīng)網(wǎng)絡 131
4.7.1 什么是RNN 131
4.7.2 LSTM網(wǎng)絡 136
4.7.3 LSTM變體 141
4.7.4 結論 143
4.8 你是我的眼：利用稀疏編碼器找圖像的基本單位 143
4.9 你是我的眼（續(xù)） 150
4.10 使用深度信念網(wǎng)搞定花分類 160
第5章 深度學習的勝利：AlphaGo 169
5.1 AI如何玩棋類游戲 169
5.2 圍棋的復雜性 171
5.3 AlphaGo的主要原理 173
5.3.1 策略網(wǎng)絡 174
5.3.2 MCTS拯救了圍棋算法 176
5.3.3 強化學習："周伯通，左右互搏" 179
5.3.4 估值網(wǎng)絡 181
5.3.5 將所有組合到一起：樹搜索 182
5.3.6 AlphaGo有多好 185
5.3.7 總結 187
5.4 重要的技術進步 189
5.5 一些可以改進的地方 190
5.6 未來 192
第6章 兩個重要的概念 194
6.1 遷移學習 194
6.2 概率圖模型 197
6.2.1 貝葉斯的網(wǎng)絡結構 201
6.2.2 概率圖分類 204
6.2.3 如何應用PGM 208
第7章 雜項 210
7.1 如何為不同類型的問題選擇模型 210
7.2 我們?nèi)绾螌W習"深度學習" 211
7.3 如何理解機器學習和深度學習的差異 212
7.4 大規(guī)模學習（Large Scale Learning）和并行計算 214
7.5 如果喜歡應用領域，可以考慮以下幾種應用 215
7.6 類腦：人工智能的終極目標 216
參考文獻 218
術語 220
|
