人工智能 深度学习核心算法

"系统讲解深度学习模型 剖析深度学习在经典应用领域的核心算法 图像分类、物体检测、机器翻译、推荐系统、广告等领域初探"

本书是一本介绍深度学习核心算法的书籍。书中以轻松、直白的语言，生动、详细地介绍了与深度学习模型相关的基础知识，深入剖析了深度学习核心算法的原理与本质。同时，书中配有大量案例与源码，帮助读者切实体会深度学习的核心思想和精妙之处。此外，书中还介绍了深度学习在计算机视觉、自然语言处理和推荐系统领域的应用，从原理层面揭示其思想，帮助读者在这些领域中夯实技术基础。

冯超，毕业于中国科学院大学，现任阿里巴巴高级算法专家，曾在滴滴出行、猿辅导等公司担任核心算法业务负责人。自2016年起，在知乎开设技术专栏，并著有口碑技术书《深度学习轻松学：核心算法与视觉实践》《强化学习精要：核心算法与TensorFlow实现》。

第1章从生活走进深度学习
1.1钞票面值问题
1.2机器学习的特征表示
1.3机器学习
1.4深度学习的逆袭
1.5总结与提问
第2章构建小型神经网络
2.1线性代数基础
2.2全连接层与非线性函数
2.3神经网络可视化
2.4反向传播法
2.5反向传播法的计算方法
2.6反向传播法在计算上的抽象
2.7反向传播法在批量数据上的推广
2.8模型训练与结果可视化
2.9总结与提问
第3章多层网络与分类
3.1MNIST数据集
3.2概率论基础
3.3Softmax函数
3.4交叉熵损失
3.5使用PyTorch实现模型构建与训练
3.6模型结果分析
3.7总结与提问
第4章卷积神经网络
4.1卷积操作
4.2卷积层汇总了什么
4.3卷积层的反向传播
4.4ReLU
4.5Pooling层
4.6卷积神经网络实验
4.7卷积神经网络的感受野
4.8总结与提问
第5章网络初始化
5.1错误的初始化
5.2关于数值的初始化实验
5.3Xavier初始化
5.4MSRA初始化
5.5ZCA初始化
5.6总结与提问
第6章网络优化
6.1梯度下降法
6.2动量法
6.3随机梯度下降的变种算法
6.4总结与提问
第7章进一步强化网络
7.1Dropout
7.2Batch Normalization
7.3总结与提问
第8章高级网络结构
8.1CIFAR10数据集
8.2VGG模型
8.3ResNet
8.4Inception
8.5通道分解的网络
8.6总结与提问
第9章网络可视化
9.1模型优化路径的简单可视化
9.2卷积神经网络的可视化
9.3图像风格转换
9.4总结与提问
第10章物体检测
10.1物体检测的评价指标
10.2YOLOv3：一阶段检测算法
10.3Faster RCNN：两阶段检测算法
10.4总结与提问
第11章词嵌入
11.1One-Hot编码的缺点
11.2分布式表征
11.3负采样
11.4SGNS实现
11.5tSNE
11.6总结与提问
第12章循环神经网络
12.1语言模型与循环神经网络
12.2RNN实现
12.3LSTM网络
12.4语言模型实践
12.5LSTM网络的可视化与分析
12.6RNN的应用类型
12.7CTC
12.8总结与提问
第13章Transformer
13.1Transformer模型的基本结构
13.2模型训练与预测
13.3BERT模型
13.4总结与提问
第14章深度分解模型
14.1分解机
14.2评价指标AUC
14.3DeepFM
14.4DeepFM的改进方法
14.5总结与提问