深度學習是目前人工智能的核心技術，本書從原理到實現，結合實戰案例介紹了深度學習的基本理論、網絡結構、優化技術和實際應用。

●第1章 編程和數學基礎
1.1 Python快速入門
1.1.1 快速安裝Python
1.1.2 Python基礎
1.1.3 Python中的常見運算
1.1.4 Python控制語句
1.1.5 Python常用容器類型
1.1.6 Python常用函數
1.1.7 類和對像
1.1.8 Matplotlib入門
1.2 張量庫NumPy
1.2.1 什麼是張量
1.2.2 創建ndarray對像
1.2.3 ndarray數組的索引和切片
1.2.4 張量的計算
1.3 微積分
1.3.1 函數
1.3.2 四則運算和復合運算
1.3.3 極限和導數
1.3.4 導數的四則運算和鏈式法則
1.3.5 計算圖、正向計算和反向傳播求導
1.3.6 多變量函數的偏導數與梯度
1.3.7 向量值函數的導數與Jacobian矩陣
1.3.8 積分
1.4 概率基礎
1.4.1 概率
1.4.2 條件概率、聯合概率、全概率公式、貝葉斯公式
1.4.3 隨機變量
1.4.4 離散型隨機變量的概率分布
1.4.5 連續型隨機變量的概率密度
1.4.6 隨機變量的分布函數
1.4.7 期望、方差、協方差、協變矩陣
第2章 梯度下降法
2.1 函數極值的必要條件
2.2 梯度下降法基礎
2.3 梯度下降法的參數優化策略
2.3.1 Momentum法
2.3.2 AdaGrad法
2.3.3 AdaDelta法
2.3.4 RMSprop法
2.3.5 Adam法
2.4 梯度驗證
2.4.1 比較數值梯度和分析梯度
2.4.2 通用的數值梯度
2.5 分離梯度下降法與參數優化策略
2.5.1 參數優化器
2.5.2 接受參數優化器的梯度下降法
第3章 線性回歸、邏輯回歸和softmax回歸
3.1 線性回歸
3.1.1 餐車利潤問題
3.1.2 機器學習與人工智能
3.1.3 什麼是線性回歸
3.1.4 用正規方程法求解線性回歸問題
3.1.5 用梯度下降法求解線性回歸問題
3.1.6 調試學習率
3.1.7 梯度驗證
3.1.8 預測
……
第4章 神經網絡
第5章 改進神經網絡性能的基本技巧
第6章 卷積神經網絡
第7章 循環神經網絡
第8章 生成模型
參考文獻

本書深入淺出地介紹了深度學習的基本原理和實現過程，帶領讀者用Python的NumPy庫從底層而不是借助現有的深度學習庫，從0開始構建屬於自己的深度學習庫。本書在介紹基本的Python編程、微積分、概率、統計知識的基礎上，按照深度學習的發展脈絡介紹了回歸模型、神經網絡、卷積神經網絡、循環神經網絡、生成對抗網絡等深度學習的核心知識，在深入淺出地剖析原理的同時，給出了詳細的代碼實現過程。本書既適合沒有任何深度學習基礎的初學者閱讀，也適合具有深度學習庫使用經驗、想了解其底層實現原理的從業人員參考。同時，本書特別適合作為高等院校的深度學習教材。

董洪偉 著