神经网络与深度学习-第2版

Chapter Paths160

1. 《神经网络与深度学习》第 2 版 · 完整目录

   1. 第一部分：机器学习基础

      1. 第 1 章　绪论

         1. 1.1 人工智能Path 1
         2. 1.2 机器学习Path 1
         3. 1.3 表示学习Path 1
         4. 1.4 深度学习Path 1
         5. 1.5 神经网络Path 1
         6. 1.6 本书的知识体系Path 1
         7. 1.7 常用的深度学习框架Path 4
         8. 1.8 总结和深入阅读
      2. 第 2 章　机器学习概述

         1. 2.1 基本概念Path 1Path 2Path 4
         2. 2.2 机器学习的三个基本要素Path 1Path 2Path 3
         3. 2.3 机器学习的简单示例——线性回归Path 1Path 2Path 3
         4. 2.4 偏差-方差分解Path 1Path 2Path 3
         5. 2.5 机器学习算法的类型Path 1Path 5
         6. 2.6 数据的特征表示Path 1Path 2Path 8
         7. 2.7 评价指标Path 1Path 2Path 3
         8. 2.8 理论和定理Path 1
         9. 2.9 总结和深入阅读
      3. 第 3 章　线性模型

         1. 3.1 线性判别函数和决策边界Path 1Path 2Path 3
         2. 3.2 Logistic 回归Path 1Path 2Path 3
         3. 3.3 Softmax 回归Path 1Path 2Path 3
         4. 3.4 感知器Path 1Path 2Path 3
         5. 3.5 支持向量机Path 1
         6. 3.6 损失函数对比Path 1Path 2Path 4
         7. 3.7 总结和深入阅读
   2. 第二部分：基础模型

      1. 第 4 章　前馈神经网络

         1. 4.1 神经元Path 3

            1. 4.1.1 Sigmoid 型函数Path 3
            2. 4.1.2 ReLU 函数Path 3
            3. 4.1.3 Swish 函数Path 3
            4. 4.1.4 GELU 函数Path 3
            5. 4.1.5 Maxout 单元Path 3
         2. 4.2 网络结构Path 3
         3. 4.3 前馈神经网络Path 3
         4. 4.4 反向传播算法Path 3
         5. 4.5 自动梯度计算Path 3
         6. 4.6 优化问题Path 3
         7. 4.7 总结和深入阅读
      2. 第 5 章　卷积神经网络

         1. 5.1 卷积Path 4
         2. 5.2 卷积神经网络Path 4
         3. 5.3 参数学习Path 4
         4. 5.4 几种典型的卷积神经网络Path 4
         5. 5.5 其他卷积方式Path 4
         6. 5.6 总结和深入阅读
      3. 第 6 章　循环神经网络

         1. 6.1 给网络增加记忆能力Path 5
         2. 6.2 简单循环网络Path 5
         3. 6.3 应用到机器学习Path 5
         4. 6.4 参数学习Path 5
         5. 6.5 长程依赖问题Path 5

            1. 6.5.1 改进方案Path 5
         6. 6.6 基于门控的循环神经网络Path 5
         7. 6.7 深层循环神经网络Path 5
         8. 6.8 扩展到图结构
         9. 6.9 总结和深入阅读
      4. 第 7 章　网络优化与正则化

         1. 7.1 网络优化Path 4
         2. 7.2 优化算法Path 3
         3. 7.3 参数初始化Path 3
         4. 7.4 数据预处理Path 3
         5. 7.5 逐层归一化Path 4
         6. 7.6 超参数优化Path 4
         7. 7.7 网络正则化Path 1Path 3
         8. 7.8 总结和深入阅读
      5. 第 8 章　注意力机制与外部记忆

         1. 8.1 认知神经学中的注意力Path 7
         2. 8.2 注意力机制Path 7
         3. 8.3 自注意力模型Path 7
         4. 8.4 人脑中的记忆Path 7
         5. 8.5 记忆增强神经网络Path 7
         6. 8.6 基于神经动力学的联想记忆Path 7

            1. 8.6.1 Hopfield 网络Path 7
         7. 8.7 总结和深入阅读
      6. 第 9 章　无监督学习

         1. 9.1 无监督特征学习Path 8
         2. 9.2 概率密度估计Path 8
         3. 9.3 总结和深入阅读
      7. 第 10 章　模型独立的学习方式

         1. 10.1 集成学习Path 6

            1. 10.1.1 AdaBoost 算法Path 8
         2. 10.2 自训练和协同训练Path 8
         3. 10.3 多任务学习Path 6
         4. 10.4 迁移学习Path 6
         5. 10.5 终身学习Path 8
         6. 10.6 元学习Path 8
         7. 10.7 总结和深入阅读
   3. 第三部分：进阶模型

      1. 第 11 章　概率图模型

         1. 11.1 模型表示Path 8
         2. 11.2 学习Path 8
         3. 11.3 推断Path 9
         4. 11.4 变分推断Path 8
         5. 11.5 基于采样法的近似推断Path 8
         6. 11.6 总结和深入阅读
      2. 第 12 章　深度信念网络

         1. 12.1 玻尔兹曼机Path 9
         2. 12.2 受限玻尔兹曼机Path 9
         3. 12.3 深度信念网络Path 9
         4. 12.4 总结和深入阅读
      3. 第 13 章　深度生成模型

         1. 13.1 概率生成模型Path 8
         2. 13.2 变分自编码器Path 8
         3. 13.3 生成对抗网络Path 8

            1. 13.3.1 显式密度模型和隐式密度模型Path 9
            2. 13.3.2 网络分解Path 9
            3. 13.3.3 训练Path 8
            4. 13.3.4 一个生成对抗网络的具体实现：DCGANPath 9
            5. 13.3.5 模型分析Path 9
            6. 13.3.6 改进模型Path 9
         4. 13.4 总结和深入阅读Path 9
      4. 第 14 章　深度强化学习

         1. 14.1 强化学习问题Path 10

            1. 14.1.1 典型例子
            2. 14.1.2 强化学习定义
            3. 14.1.3 马尔可夫决策过程Path 10
            4. 14.1.4 强化学习的目标函数Path 10
            5. 14.1.5 值函数Path 10
            6. 14.1.6 深度强化学习Path 10
         2. 14.2 基于值函数的学习方法

            1. 14.2.1 动态规划算法Path 10
            2. 14.2.2 蒙特卡罗方法Path 10
            3. 14.2.3 时序差分学习方法Path 10
            4. 14.2.4 深度 Q 网络Path 10
         3. 14.3 基于策略函数的学习方法Path 10

            1. 14.3.1 REINFORCE 算法Path 10
            2. 14.3.2 带基准线的 REINFORCE 算法Path 10
         4. 14.4 演员-评论员算法Path 10
         5. 14.5 总结和深入阅读
      5. 第 15 章　序列生成模型

         1. 15.1 序列概率模型Path 10

            1. 15.1.1 序列生成Path 10
         2. 15.2 N 元统计模型Path 10
         3. 15.3 深度序列模型Path 10

            1. 15.3.1 模型结构Path 10
            2. 15.3.2 参数学习Path 10
         4. 15.4 评价方法Path 5

            1. 15.4.1 困惑度Path 5
            2. 15.4.2 BLEU 算法Path 5
            3. 15.4.3 ROUGE 算法Path 5
         5. 15.5 序列生成模型中的学习问题Path 5

            1. 15.5.1 曝光偏差问题Path 5
            2. 15.5.2 训练目标不一致问题Path 5
            3. 15.5.3 计算效率问题Path 5
         6. 15.6 序列到序列模型Path 5

            1. 15.6.1 基于循环神经网络的序列到序列模型
            2. 15.6.2 基于注意力的序列到序列模型
            3. 15.6.3 基于自注意力的序列到序列模型
         7. 15.7 总结和深入阅读
   4. 附录：数学基础

      1. 附录 A　线性代数
      2. 附录 B　微积分
      3. 附录 C　数学优化
      4. 附录 D　概率论
      5. 附录 E　信息论