目 錄
　 第1章 緒論 1 1.1 人工智能 2 1.2 機(jī)器學(xué)習(xí) 3 1.2.1 監(jiān)督學(xué)習(xí) 3 1.2.2 非監(jiān)督學(xué)習(xí) 3 1.2.3 半監(jiān)督學(xué)習(xí) 4 1.3 深度學(xué)習(xí) 4 1.3.1 卷積神經(jīng)網(wǎng)絡(luò) 4 1.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 5 1.4 實(shí)現(xiàn)工具 6 1.4.1 Python 6 1.4.2 TensorFlow 6 第2章 Python基礎(chǔ) 9 2.1 Python簡(jiǎn)介 10 2.1.1 概述 10 2.1.2 Python的特點(diǎn) 10 2.1.3 Python的版本 11 2.2 Python的安裝 11 2.2.1 Python官網(wǎng)下載安裝 11 2.2.2 Anaconda的安裝 14 2.3 Spyder編輯器 16 2.3.1 Spyder界面 16 2.3.2 Spyder快捷鍵 19 2.4 Python基礎(chǔ)知識(shí) 19 2.4.1 基本語(yǔ)法 20 2.4.2 基本數(shù)據(jù)類型和運(yùn)算 23 2.4.3 列表、元組和字符串 25 2.4.4 字典和集合 32 2.4.5 分支和循環(huán) 35 2.4.6 函數(shù)和類 37 2.4.7 模塊 40 第3章 Python基礎(chǔ)庫(kù) 43 3.1 Numpy庫(kù) 44 3.1.1 創(chuàng)建數(shù)組 44 3.1.2 ndarray類 47 3.1.3 數(shù)組操作 48 3.1.4 形狀操作 55 3.2 Matplotlib庫(kù) 58 3.2.1 快速繪圖 58 3.2.2 繪制多軸圖 61 3.2.3 繪制3D圖 64 3.3 Scipy庫(kù) 67 3.3.1 scipy.io 67 3.3.2 scipy.linalg 68 3.3.3 scipy.fftpack 69 3.3.4 scipy.optimize 70 3.3.5 scipy.interpolate 71 3.3.6 scipy.stats 72 第4章 TensorFlow基礎(chǔ) 75 4.1 概述 76 4.2 TensorFlow的安裝 77 4.3 TensorFlow基本概念 79 4.3.1 Graph和Session 79 4.3.2 placeholder 82 4.3.3 tensor 82 4.3.4 Variable 85 4.3.5 fetch和feed 87 4.4 MNIST 89 4.4.1 MNIST簡(jiǎn)介 89 4.4.2 MNIST解析 90 第5章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 95 5.1 神經(jīng)網(wǎng)絡(luò)概述 96 5.1.1 神經(jīng)網(wǎng)絡(luò)常用術(shù)語(yǔ) 97 5.1.2 神經(jīng)網(wǎng)絡(luò)模型 99 5.1.3 神經(jīng)網(wǎng)絡(luò)的運(yùn)作 99 5.1.4 神經(jīng)網(wǎng)絡(luò)算法的特點(diǎn) 100 5.2 神經(jīng)元模型 101 5.3 激活函數(shù) 103 5.4.1 sigmoid函數(shù) 104 5.4.2 tanh函數(shù) 104 5.4.3 ReLU函數(shù) 105 5.4.4 softmax函數(shù) 106 5.4 損失函數(shù) 106 5.4.1 均方差函數(shù) 106 5.4.2 交叉熵函數(shù) 107 5.5 梯度下降算法 107 5.5.1 梯度下降算法推導(dǎo) 108 5.5.2 梯度下降算法種類 108 5.5 BP算法 109 5.5.1 BP網(wǎng)絡(luò)簡(jiǎn)介 109 5.5.2 BP算法流程 110 5.6 仿真實(shí)例 112 第6章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)應(yīng)用 117 6.1 感知機(jī) 118 6.1.1 感知機(jī)網(wǎng)絡(luò)結(jié)構(gòu) 119 6.1.2 感知機(jī)學(xué)習(xí)規(guī)則 120 6.1.3 感知機(jī)網(wǎng)絡(luò)訓(xùn)練 120 6.1.5 仿真實(shí)例 121 6.2 線性回歸 123 6.2.1 線性回歸理論 123 6.2.2 仿真實(shí)例 126 6.3 邏輯回歸 129 6.3.1 邏輯回歸理論 129 6.3.2 仿真實(shí)例 131 第7章 卷積神經(jīng)網(wǎng)絡(luò) 137 7.1 概述 138 7.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 139 7.2.1 卷積層 141 7.2.2 池化層 144 7.2.3 全連接層 147 7.2.4 Dropout 層 148 7.3 訓(xùn)練過(guò)程 148 7.4 卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型 149 7.4.1 LeNet-5模型 149 7.4.2 AlexNet模型 150 7.5 仿真實(shí)例 152 第8章 循環(huán)神經(jīng)網(wǎng)絡(luò) 159 8.1 循環(huán)神經(jīng)網(wǎng)絡(luò)概述 160 8.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 160 8.1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)前向傳播 162 8.1.3 循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法 163 8.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM） 163 8.2.1 LSTM結(jié)構(gòu) 164 8.2.2 LSTM前向計(jì)算 165 8.2.3 LSTM訓(xùn)練算法 169 8.2.4 LSTM程序?qū)崿F(xiàn) 169 8.3 循環(huán)神經(jīng)網(wǎng)絡(luò)的變種 170 8.3.1 雙向循環(huán)神經(jīng)網(wǎng)絡(luò) 170 8.3.2 深層循環(huán)神經(jīng)網(wǎng)絡(luò) 171 8.4 仿真實(shí)例 172 附錄A Python主要函數(shù) 181 附錄B TensorFlow主要函數(shù) 189 參考文獻(xiàn) 198