深度学习商业应用开发指南 从对话机器人到医疗图像处理PDF电子书下载

查看更多关于的内容

第一部分 背景和基础知识 3

第1章 绪论 3

1.1 范围和动机 4

1.2 深度学习领域的挑战 5

1.3 目标受众 5

1.4 本书结构 5

第2章 深度学习概述 7

2.1 冬去春来 8

2.2 为什么DL不同 10

2.2.1 机器时代 12

2.2.2 对DL的一些批评 13

2.3 资源 14

2.3.1 图书 14

2.3.2 简讯 14

2.3.3 博客 15

2.3.4 在线视频和课程 16

2.3.5 播客 16

2.3.6 其他网络资源 17

2.3.7 从一些不错的地方开始学习 18

2.3.8 会议 19

2.3.9 其他资源 19

2.3.10 DL框架 20

2.3.11 DL即服务（DLAS，DL As a Service） 21

2.4 最近的发展 24

2.4.1 2016年 24

2.4.2 2017年 24

2.4.3 演化算法 25

2.4.4 创造力 25

第3章 深度神经网络模型 27

3.1 神经网络简史 27

3.1.1 多层感知器 29

3.2 什么是深度神经网络 30

3.3 玻耳兹曼机器 32

3.3.1 受限玻耳兹曼机器 33

3.3.2 深度信念网络 34

3.3.3 深度玻耳兹曼机器 35

3.4 卷积神经网络 36

3.5 深度自动编码器 37

3.6 递归神经网络 37

3.6.1 强化学习的RNN 40

3.6.2 LSTM 41

3.7 生成模型 43

3.7.1 变分自动编码器 43

3.7.2 生成性对抗网络 45

第二部分 深度学习：核心应用 51

第4章 图像处理 51

4.1 CNN图像处理模型 52

4.2 ImagcNct及其他 54

4.3 图像分割 57

4.4 图像标题 58

4.5 视觉问答（VQA） 60

4.6 视频分析 62

4.7 GAN和生成模型 65

4.8 其他应用 67

4.8.1 卫星图像 68

4.9 新闻和公司 69

4.10 第三方工具和API 70

第5章 自然语言处理及语音 73

5.1 解析 74

5.2 分布式表示 75

5.3 知识表示与知识图谱 77

5.4 自然语言翻译 81

5.5 其他应用 83

5.6 多模态学习与问答 85

5.7 语音识别 85

5.8 新闻与资源 87

5.9 总结与思考展望 88

第6章 强化学习和机器人 89

6.1 什么是强化学习 90

6.2 传统的RL 90

6.3 DNN强化学习 92

6.3.1 确定性政策梯度 92

6.3.2 深层确定性政策梯度 93

6.3.3 深度Q学习 93

6.3.4 Actor-Critic算法 95

6.4 机器人与控制 97

6.5 自动驾驶汽车 99

6.6 会话机器人（聊天机器人） 100

6.7 新闻聊天机器人 103

6.8 应用 104

6.9 展望 105

6.10 自动驾驶汽车的相关新闻 105

第三部分 深度学习：商务应用 111

第7章 推荐算法和电子商务 111

7.1 在线用户行为 111

7.2 重新定向 112

7.3 推荐算法 113

7.3.1 协同过滤器 114

7.3.2 RS的深度学习算法 115

7.3.3 Item2Vec 116

7.4 推荐算法的应用 117

7.5 未来发展方向 118

第8章 游戏和艺术 121

8.1 早期的国际象棋 121

8.2 从国际象棋到围棋 122

8.3 其他游戏和新闻 123

8.3.1 Doom 123

8.3.2 Dota 123

8.3.3 其他应用 124

8.4 人造角色 124

8.5 艺术中的应用 125

8.6 音乐 127

8.7 多模态学习 129

8.8 其他应用 130

第9章 其他应用 135

9.1 异常检测与欺诈 135

9.1.1 欺诈预防 137

9.1.2 网上评论的欺诈行为 138

9.2 安保及防范 139

9.3 预测 140

9.3.1 交易和对冲基金 142

9.4 医学和生物医学 143

9.4.1 图像处理和医学图像 144

9.4.2 生物组学 146

9.4.3 药物发现 147

9.5 其他应用 148

9.5.1 用户体验 148

9.5.2 大数据 149

9.6 未来 150

第四部分 机遇与展望 153

第10章 深度学习技术的商务影响 153

10.1 深度学习机会 154

10.2 计算机视觉 155

10.3 AI助手 155

10.4 法律 157

10.5 放射学和医学图像 157

10.6 自动驾驶汽车 158

10.7 数据中心 159

10.8 利用DL建立竞争优势 159

10.9 人才 160

10.10 光有准确度还不够 161

10.11 风险 162

10.12 当个人助理变得比我们更聪明时 162

第11章 新近研究和未来方向 165

11.1 研究 165

11.1.1 注意机制 166

11.1.2 多模式学习 167

11.1.3 一次性学习 168

11.1.4 强化学习和推理 169

11.1.5 生成神经网络 170

11.1.6 生成性对抗神经网络 171

11.1.7 知识转移和学会学习 172

11.2 何时不使用深度学习 173

11.3 新闻 173

11.4 人工智能在社会中的伦理和启示 174

11.5 AI中的隐私和公共政策 176

11.6 初创公司和风险投资 177

11.7 未来 179

11.7.1 用较少的数据学习 180

11.7.2 转移学习 181

11.7.3 多任务学习 181

11.7.4 对抗性学习 181

11.7.5 少量学习 182

11.7.6 元学习 182

11.7.7 神经推理 182

附录A 用Keras训练DNN 185

A.1 Keras框架 185

A.1.1 在Linux中安装Keras 185

A.1.2 模型 186

A.1.3 核心层 186

A.1.4 损失函数 187

A.1.5 培训和测试 188

A.1.6 回调 188

A.1.7 编译和拟合 189

A.2 深度和宽度模型 189

A.3 用于图像分割的FCN 197

A.3.1 序列到序列 200

A.4 多层感知器的反向传播 203

参考文献 209

查看更多关于的内容