Keras深度学习与神经网络

1.以操作实践为学习的切入点，而不是直接切入理论讲解； 2.以任务为驱动，贯穿知识内容； 3.充分考虑学习者的认知曲线，由浅入深，边讲边练边切入理论知识； 4.通过项目实训训练技能的综合使用能力。

本书从人工智能导论入手，阐述人工智能的发展及现状，重点介绍了机器学习和神经网络基础、反向传播原理、卷积神经网络和循环神经网络等内容。本书内容由浅入深，循序渐进，从神经元和感知机入手，逐步讲解深度学习中神经网络基础、反向传播以及更深层次的卷积神经网络、循环神经网络。本书知识体系完整，内容覆盖面广，介绍了深度学习中常用的模型和算法，助力读者全方位掌握深度学习的相关知识。本书可作为高等院校计算机等相关专业的教材，也可供人工智能领域的技术人员学习使用，还可以作为人工智能研究人员的参考用书。

肖睿，课工场创始人，北京大学教育学博士，北京大学软件学院特约讲师，北京大学学习科学实验室特约顾问。作为北大青鸟 Aptech 的联合创始人，历任学术总监、研究院院长、公司副总裁等核心岗位，拥有20多年的IT职业教育产品管理和企业管理经验。于2015年创办课工场，兼任总经理，旨在为大学生提供更可靠的 IT 就业教育及服务。

第１章人工智能导论
任务1.1了解人工智能发展历程
人工智能的发展历程
任务1.2理解人工智能、机器学习、深度学习.
1.2.1人工智能，机器学习和深度学习
1.2.2深度学习的发展
任务1.3了解深度学习的应用情况
1.3.1深度学习的应用情况
本章小结
本章习题
第2章深度学习流程
任务2.1什么是机器学习
2.1.1机器学习
2.1.2机器如何学习
任务2.2理解回归与分类
2.2.1回归
2.2.2分类
任务2.3了解深度学习工作过程
深度学习工作过程
本章小结
本章习题
第3章神经网络基础
任务3.1什么是人工神经元
3.1.1生物神经元
3.1.2人工神经元
任务3.2理解激活函数的意义
3.2.1激活函数的意义
3.2.2激活函数种类
任务3.3掌握基础的神经网络结构
3.3.1感知机模型
3.3.2全连接神经网络
任务3.4了解什么是损失函数
3.4.1损失函数的意义
3.4.2损失函数的种类
本章小结
本章习题
第4章反向传播原理.
任务4.1计算神经网络的输出
前向传播计算
任务4.2掌握反向传播算法
4.2.1反向传播算法的意义
4.2.2反向传播算法的计算
任务4.3掌握梯度下降算法
4.3.1梯度下降概述
4.3.2梯度下降的形式
4.3.3学习率的作用
任务4.4使用Python实现反向传播算法
反向传播的Python实现
本章小结
本章习题
第5章Keras与环境配置
任务5.1深度学习开发环境的配置
5.1.1Python开发环境搭建
5.1.2Keras与TensorFlow安装
任务5.2快速开始Keras
5.2.1为什么选择Keras
5.2.2快速开始Keras
任务5.3掌握顺序模型SequentialAPI
5.3.1SequentialAPI
任务5.4认识函数式模型FuntionalAPI
FuntionalAPI
本章小结
本章习题
第6章深度神经网络手写体识别
任务6.1理解Softmax回归模型
6.1.1Softmax回归模型
6.1.2交叉熵损失函数
任务6.2使用手写体识别数据集MNIST
图像分类数据集-MNIST
任务6.3深度神经网络解决图像分类问题
多层感知机结合Softmax完成手写体识别
任务6.4模型评估
6.4.1选择一个可靠的模型
6.4.2欠拟合和过拟合
本章小结
本章习题
第7章神经网络优化
任务7.1范数正则化避免过拟合
范数正则化
任务7.2丢弃法正则化避免过拟合
丢弃法
任务7.3掌握改进的优化算法
7.3.1深度学习与优化
7.3.2小批量随机梯度下降算法改进
本章小结
本章习题
第8章卷积神经网络
任务8.1初识卷积神经网络
8.1.1卷积概述
8.1.2与全连接网络对比
任务8.2卷积运算
8.2.1卷积核
8.2.2填充和步幅
8.2.3多通道卷积
8.2.4池化层
任务8.3LeNet实现物体分类
8.3.1LeNet-开山之作
8.3.2LeNet进行物体分类
本章小结
本章习题
第9章卷积神经网络经典结构
任务9.1训练深度卷积神经网络
9.1.1AlexNet
9.1.2图像增广
9.1.3实现AlexNet
任务9.2进一步增加网络的深度
9.2.1VGG系列
9.2.2应用VGG16提取特征
任务9.3认识并行结构的卷积网络
……