●第1章 概述
1.1 引言
1.2 深度學習簡介
1.3 深度學習發展簡史
1.4 深度學習典型應用
1.5 深度學習獲獎論文
1.6 思考題
參考文獻
第2章 深度學習平臺
2.1 引言
2.2 基於MATLAB的深度學習
2.3 基於TensorFlow的深度學習
2.4 數據增廣
2.5 數學基礎
2.6 思考題
參考文獻
第3章 卷積神經網絡和循環神經網絡
3.1 卷積神經網絡
3.1.1 R-CNN
3.1.2 MaskR-CNN
3.1.3 YOLO
3.1.4 SSD
3.1.5 DenseNet和ResNet
3.2 循環神經網絡和時間序列分析
3.2.1 循環神經網絡
3.2.2 時間序列分析
3.3 隱馬爾可夫模型
3.4 函數空間
3.5 向量空間
3.5.1 賦範空間
3.5.2 希爾伯特空間
3.6 思考題
參考文獻
第4章 自編碼器和生成對抗網絡
4.1 自編碼器
4.2 正則自編碼器
4.3 生成對抗網絡
4.4 信息論
4.5 思考題
參考文獻
第5章 強化學習
5.1 引言
5.2 貝爾曼方程
5.3 深度Q-學習
5.4 優化
5.5 數據擬合
5.6 思考題
參考文獻
第6章 膠囊網絡與流形學習
6.1 膠囊網絡
6.2 流形學習
6.3 思考題
參考文獻
第7章 玻爾茲曼機
7.1 玻爾茲曼機概述
7.2 受限玻爾茲曼機
7.3 深度玻爾茲曼機
7.4 概率圖模型
7.5 思考題
參考文獻
第8章 遷移學習與集成學習
8.1 遷移學習
8.1.1 遷移學習的定義
8.1.2 Taskonomy
8.2 孿生網絡
8.3 集成學習
8.4 深度學習的重要工作
8.5 思考題
參考文獻
附錄A 術語

本書作為深度學習方面的入門書籍，目的是使讀者通過學習，理解和掌握深度學習背後的數學原理和計算方法，並將其用於指導理論分析和實踐開發。全書共8章。第1、2章主要介紹了深度學習的相關概念、發展簡史、主要進展，以及典型的深度學習平臺（MATLAB和TensorFlow）、數據增廣技術和相關數學基礎；第3～5章詳細闡述了深度學習的典型網絡模型，包括卷積神經網絡、循環神經網絡、自編碼器、生成對抗網絡及深度Q-學習等模型，重點介紹了這些模型背後的數學原理；第6章重點介紹了膠毒網絡與流形學習；第7章介紹了玻爾茲曼機及其變體，包括受限玻爾茲曼機、深度玻爾茲曼機及概率圖模型；第8章介紹了遷移學習、孿生網絡、集成學習及深度學習方面的重要工作。本書適合具備一定數學基礎、機器學習基礎且對深度神經網絡感興趣的研究人員和工程技術人員閱讀。另外，高等院校人工智能、計算機科學與技術、自動化及相關專業的高年級本科生或研究生等

(新加坡)闫偉齊 著 周浦城,秦曉燕,鮑蕾 譯