深度學習

本書精選深度學習實戰項目，使用深度學習框架完成圖像類信息識別，序列類（時間序列、非時間序列）數據識別等。對於每一個項目實戰，從數據預處理開始，一步步構建網絡模型並展開分析與評估。 ^[1] 

第1章 緒論

1．1 引言

1．2 基本術語

1．3 監督學習算法

1．3．1 支持向量機

1．3．2 決策樹

1．4 無監督學習算法

1．4．1 主成分分析

1．4．2 K-均值聚類

1．5 機器學習

1．6 深度學習的趨勢

1．6．1 與日俱增的數據量

1．6．2 愈發龐大的計算資源

1．6．3 越來越高的性能以及解決實際問題的潛力

思考題

參考文獻

第2章 TensorFlow和Keras簡介

2．1 TensorFlow簡介

2．1．1 概述

2．1．2 TensorFlow的使用

2．1．3 TensorFlow的可視化

2．2 Keras簡介

2．2．1 Keras概述

2．2．2 Keras的使用

2．2．3 Keras的可視化

思考題

參考文獻

第3章 簡單神經網絡

3．1 人腦是如何學習的

3．2 模仿人腦——神經元（感知器）

3．3 非線性神經元

3．4 神經網絡架構

3．5 梯度下降

3．5．1 代價函數

3．5．2 梯度下降

3．6 反向傳播

3．6．1 多層神經網絡的數學表示

3．6．2 反向傳播算法原理

3．7 實現簡單神經網絡

思考題

參考文獻

第4章 圖像類數據處理

4．1 二維卷積神經網絡的基本原理

4．1．1 卷積神經網絡的原理

4．1．2 參數共享

4．1．3 池化

4．1．4 分類原理

4．2 簡單卷積神經網絡實例

4．3 過度擬合

4．3．1 容量、過擬合與欠擬合的基本概念

4．3．2 數據集增強

4．3．3 L2正則化一

4．3．4 L1正則化

4．3．5 Dropout

4．3．6 提前終止

4．4 時間優化

4．4．1 交叉熵代價函數

4．4．2 批標準化

4．4．3 隨機梯度下降

4．4．4 動量

4．4．5 Nesterov動量

4．5 綜合二維卷積神經網絡實例

思考題

參考文獻

第5章 序列類數據處理

5．1 一維卷積神經網絡

5．1．1 一維卷積神經網絡的原理

5．1．2 一維卷積神經網絡實例

5．2 循環神經網絡

5．2．1 循環神經網絡的基本原理

5．2．2 循環神經網絡的輸出

5．2．3 上下文依賴型數據處理

5．2．4 序列到序列的數據處理

5．3 遞歸神經網絡

5．3．1 遞歸神經網絡的基本原理

5．3．2 長期依賴性

5．4 長短期記憶LSTM網絡

5．4．1 長短期記憶網絡的基本原理

5．4．2 長短期記憶網絡工程實例

思考題

參考文獻

第6章 深度學習模型優化

6．1 參數初始化

6．2 超參數尋優算法

6．2．1 手動超參數尋優

6．2．2 超參數尋優算法

6．3 基於梯度的自適應學習算法

6．3．1 AdaGrad算法一

6．3．2 RMSProp算法

6．3．3 Adam算法

6．4 生成對抗神經網絡及實例

6．5 遷移學習及實例

6．6 強化學習

6．7 模型優化的侷限性

6．7．1 局部極小值

6．7．2 梯度消失、梯度爆炸與懸崖

6．7．3 鞍點

6．7．4 長期依賴

6．7．5 梯度的非精確性

思考題

參考文獻

第7章 數據和模型的處理與調試

7．1 模型評價

7．2 數據預處理

7．3 基礎模型的選擇

7．4 模型調試

思考題

參考文獻

第8章 現代深度學習模型概述

8．1 玻爾茲曼機

8．1．1 標準玻爾茲曼機

8．1．2 受限玻爾茲曼機

8．1．3 深層玻爾茲曼機

8．2 自編碼器

8．2．1 標準自編碼器

8．2．2 稀疏自編碼器

8．2．3 降噪自編碼器

8．3 深度信念網絡及實例

8．4 殘差神經網絡及實例

8．5 膠囊神經網絡及實例

思考題

參考文獻

附錄

附錄A 基於深度學習的視頻目標跟蹤研究進展綜述

附錄B Q-Learning算法的參考代碼 ^[2] 

主要科研教學成果：共發表科研論文28篇（其中2篇SCI檢索，12篇EI檢索，2篇ISTP檢索），近三年申請與授權專利共18項。近三年相關著作三本：單片機與嵌入式系統600問，測控系統設計、工藝與可靠性400問，電子電路與元器件應用900問。近三年科研項目：分析儀器用自動進樣器開發，尿碘檢測儀聯用自動工作台開發，基於動態光譜法的血紅蛋白含量無創檢測儀器開發/天津市創新專項。近三年獎項：2017天津市科委優秀科技特派員。 ^[1]