●第1章 機器學習導論
1.1 機器學習概述
1.2 機器學習算法
1.2.1 監督學習
1.線性回歸和邏輯回歸
2.支持向量機
3.決策樹
4.樸素貝葉斯
1.2.2 無監督學習
K-means
1.2.3 強化學習
Q-learning
1.2.4 機器學習組件
1.3 神經網絡
PyTorch簡介
1.4 小結
第2章 神經網絡
2.1 神經網絡的重要性
2.2 神經網絡概述
2.2.1 概述
2.2.2 層概述
2.2.3 多層神經網絡
2.2.4 不同類型的激活函數
2.2.5 綜合案例
2.3 訓練神經網絡
2.3.1 線性回歸
2.3.2 邏輯回歸
2.3.3 反向傳播
2.3.4 XOR函數的神經網絡的代碼示例
2.4 小結
第3章 深度學習基礎
3.1 深度學習導論
3.2 深度學習的基本概念
3.3 深度學習算法
3.3.1 深度網絡
當代深度學習簡史
3.3.2 訓練深度網絡
3.4 深度學習的應用
3.5 深度學習流行的原因
3.6 流行的開源庫
3.6.1 TensorFlow、Keras、PyTorch簡介
1.TensorFlow
2.Keras
3.PyTorch
3.6.2 使用Keras對手寫數字進行分類
3.6.3 使用Keras對物體圖像進行分類
3.7 小結
第4章 基於卷積神經網絡的計算機視覺
4.1 卷積神經網絡的直觀解釋
4.2 卷積層
……
第5章 高級計算機視覺
第6章 使用VAE和GAN生成圖像
第7章 循環神經網絡和語言模型
第8章 強化學習理論
第9章 遊戲深度強化學習
第10章 自動駕駛深度學習
《Python深度學習(第2版)》繫統地講解了機器學習、深度學習、強化學習理論知識,揭秘了各種神經網絡架構如卷積神經網絡、循環神經網絡、長短期記憶網絡和膠囊網絡背後的原理和實際應用;講解了如何使用高性能的算法和常用的Python框架來進行訓練,以及如何解決計算機視覺、自然語言處理和語音識別等領域的問題;還講解了生成模型方法以及如何使用變分自編碼器和生成式對抗網絡來生成圖像;最後深入研究強化學習的新發展領域,並介紹了一些優選熱門遊戲Go、Atari和Dota背後的算法。學習完本書,讀者可以精通深度學習理論及其在現實世界中的應用。《Python深度學習(第2版)》一書面向數據科學從業者、機器學習工程師以及對深度學習感興趣的讀者,也適合作為高校計算機專業的教材使用。