深度学习理论及实战（MATLAB版）（人工智能科学与技术丛书）

第1章从“机器学习”讲起
1.1走近“机器学习”
1.1.1什么是“机器学习”
1.1.2机器学习的主要任务
1.1.3机器学习的分类
1.1.4什么是“深度学习”
· · · · · · (更多)

第1章从“机器学习”讲起
1.1走近“机器学习”
1.1.1什么是“机器学习”
1.1.2机器学习的主要任务
1.1.3机器学习的分类
1.1.4什么是“深度学习”
1.1.5机器学习的应用举例
扩展阅读： 对“人工智能”的理解
1.2解读“机器学习的过程”
1.2.1 机器学习的过程
1.2.2机器学习中的数据集
1.2.3过拟合与欠拟合
心得分享： “机器学习”与“雕刻时光”
1.3典型的机器学习算法——SVM
1.3.1从“最走心”的国界线说起
1.3.2“支持向量机”名字的由来
1.3.3SVM分类器的形式
1.3.4如何找到最佳分类线
1.3.5基于SVM的多分类问题
1.4思考与练习
第2章解析“人工神经网络”
2.1神经元——人工神经网络的基础
2.1.1生物神经元
2.1.2人工神经元
2.1.3激活函数
2.2神经网络的结构及工作原理
2.2.1神经网络的结构组成
2.2.2神经网络的工作原理
2.2.3一些常见的概念
扩展阅读： 人工神经网络发展简史
2.3从数学角度来认识神经网络
2.3.1本书中采用的符号及含义
2.3.2神经元的激活
2.3.3神经网络的学习
2.3.4寻找损失函数最小值——梯度下降法
2.3.5误差反向传播
2.3.6基于误差反向传播的参数更新流程
2.4如何基于神经网络进行分类
2.4.1基于神经网络实现二分类
2.4.2基于神经网络实现多分类
扩展阅读： 交叉熵
2.5思考与练习
第3章探索“卷积神经网络”
3.1深入浅出话“卷积”
3.1.1卷积的运算过程
3.1.2卷积核对输出结果的影响
3.1.3卷积运算在图像特征提取中的应用
扩展阅读： 数字图像处理的基础知识
编程体验1： 读入一幅数字图像并显示
编程体验2： 基于MATLAB实现二维图像的滑动卷积
3.2解析“卷积神经网络”
3.2.1从 ImageNet 挑战赛说起
3.2.2卷积神经网络的结构
3.2.3卷积层的工作原理
3.2.4非线性激活函数的工作原理
3.2.5池化层的工作原理
3.2.6卷积神经网络与全连接神经网络的区别
3.2.7从仿生学角度看卷积神经网络
扩展阅读： 创建ImageNet挑战赛初衷
3.3从数学的角度看卷积神经网络
3.3.1本书中采用的符号及含义
3.3.2从数学角度看卷积神经网络的工作过程
3.3.3如何求代价函数
3.3.4采用误差反向传播法确定卷积神经网络的参数
3.4认识经典的“卷积神经网络”
3.4.1解析LeNet5卷积神经网络
3.4.2具有里程碑意义的AlexNet
3.4.3VGG-16卷积神经网络的结构和参数
3.4.4卷积神经网络为何会迅猛发展
3.5思考与练习
第4章基于MATLAB深度学习工具箱的实现与调试
4.1构造一个用于分类的卷积神经网络
4.1.1实例需求
4.1.2开发环境
4.1.3开发步骤
4.1.4常用的构造卷积神经网络的函数
4.1.5构造卷积神经网络
4.1.6程序实现
扩展阅读： 批量归一化层的作用
编程体验： 改变卷积神经网络的结构
4.2训练一个用于预测的卷积神经网络
4.2.1实例需求
4.2.2开发步骤
4.2.3构建卷积神经网络
4.2.4训练卷积神经网络
4.2.5程序实现
扩展阅读1： 设置学习率的经验与技巧
扩展阅读2： 随机失活方法(dropout)的作用
扩展阅读3： 小批量方法（minibatch）的作用
编程体验： 改变网络训练配置参数
4.3采用迁移学习进行物体识别
4.3.1站在巨人的肩膀上——“迁移学习”
4.3.2实例需求
4.3.3开发步骤
4.3.4加载训练好的网络
4.3.5如何对网络结构和样本进行微调
4.3.6函数解析
4.3.7程序实现及运行效果
扩展阅读： 多角度看“迁移学习”
4.4采用 Deep Network Designer实现卷积网络设计
4.4.1什么是Deep Network Designer
4.4.2如何打开Deep Network Designer
4.4.3需求实例
4.4.4在Deep Network Designer中构建卷积神经网络
4.4.5对网络进行训练与验证
4.4.6Deep Network Designer的检验功能
4.5采用Deep Network Designer实现迁移学习
4.5.1基于Deep Network Designer的网络结构调整
4.5.2对网络进行训练
4.6如何显示、分析卷积神经网络
4.6.1如何查看训练好的网络的结构和信息
4.6.2如何画出深度网络的结构图
4.6.3如何用analyzeNetwork函数查看与分析网络
4.7如何加载深度学习工具箱可用的数据集
4.7.1如何加载MATLAB自带的数据集
4.7.2如何加载自己制作的数据集
4.7.3如何加载网络下载的数据集——以CIFAR-10为例
4.7.4如何划分训练集与测试集
编程体验1： 基于CIFAR-10数据集训练卷积神经网络
4.8如何构造一个具有捷径连接的卷积神经网络
4.8.1本节用到的函数
4.8.2实例需求
4.8.3创建含有捷径连接的卷积神经网络的实现步骤
4.8.4程序实现
4.8.5对捷径连接网络进行结构检查
编程体验： 采用例程4.8.2所构建的卷积神经网络进行图像分类
4.9思考与练习
第5章应用案例深度解析
5.1基于卷积神经网络的图像分类
5.1.1什么是图像分类
5.1.2评价分类的指标
5.1.3基于深度学习和数据驱动的图像分类
5.1.4传统的图像分类与基于深度学习的图像分类的区别
5.1.5基于AlexNet的图像分类
5.1.6基于GoogLeNet的图像分类
5.1.7基于卷积神经网络的图像分类抗干扰性分析
扩展阅读： 计算机视觉的发展之路
编程体验： 体验GoogLeNet识别图像的抗噪声能力
5.2基于LeNet卷积神经网络的交通灯识别
5.2.1实例需求
5.2.2卷积神经网络设计
5.2.3加载交通灯数据集
5.2.4程序实现
5.3融合卷积神经网络与支持向量机的图像分类
5.3.1整体思路
5.3.2本节所用到的函数
5.3.3实现步骤与程序
编程体验： 基于AlexNet和SVM的图像分类
5.4基于R-CNN的交通标志检测
5.4.1目标分类、检测与分割
5.4.2目标检测及其难点问题
5.4.3R-CNN目标检测算法的原理及实现过程
5.4.4实例需求
5.4.5实现步骤
5.4.6本节所用到的函数
5.4.7程序实现
5.4.8基于AlexNet迁移学习的R-CNN实现
5.4.9基于Image Labeler的R-CNN目标检测器构建
5.5基于Video Labeler与R-CNN的车辆检测
5.5.1实例需求
5.5.2实现步骤
5.6思考与练习
参考文献
· · · · · · (收起)