Deep Learning深度學習基礎｜設計下一代人工智慧演算法

Table of contents

1. 封面
2. 書名頁
3. 授權聲明頁
4. 目錄 (1/2)
5. 目錄 (2/2)
6. 前言
7. 譯者序
8. 第一章 神經網路
9. 打造智慧型機器
10. 傳統電腦程式的限制
11. 機器學習的機制
12. 神經元
13. 用線性感知器表示神經元
14. 正向饋送神經網路（FFN）
15. 線性神經元及其限制
16. Sigmoid、Tanh和ReLU神經元
17. Softmax輸出層
18. 展望
19. 第二章 訓練正向饋送神經網路
20. 速食問題
21. 梯度遞減
22. Delta規則和學習速率
23. S型神經元的梯度遞減
24. 反向傳播演算法
25. 隨機和小批量梯度遞減
26. 測試組、驗證組和過度套入 (1/2)
27. 測試組、驗證組和過度套入 (2/2)
28. 防止深度神經網路過度套入
29. 總結
30. 第三章 運用TensorFlow 實現神經網路
31. TensorFlow究竟是什麼？
32. TensorFlow與其他選擇有何不同？
33. 安裝TensorFlow
34. TensorFlow變數的創建與操作
35. TensorFlow的各種操作
36. 佔位符張量
37. TensorFlow的Session
38. 變數有效範圍與共用變數
39. 管理CPU和GPU相關模型
40. 用TensorFlow設定邏輯回歸模型
41. 邏輯回歸模型的記錄和訓練
42. 用TensorBoard呈現計算圖與學習狀況
43. 用TensorFlow構建MNIST的多層模型
44. 總結
45. 第四章 超越梯度遞減
46. 梯度遞減的挑戰
47. 深度網路誤差曲面的局部極小值
48. 模型的可區分性
49. 深度網路中，假的局部極小值究竟有何問題？
50. 誤差曲面的平坦區域
51. 梯度指往錯誤方向
52. 以動量為基礎的最佳化做法
53. 二階方法簡述
54. 學習率自動調整
55. AdaGrad —累積歷史梯度
56. RMSProp —指數加權移動平均梯度
57. Adam —結合動量與RMSProp的做法
58. 最佳化選擇背後的哲學
59. 總結
60. 第五章 卷積神經網路
61. 人類視覺神經元
62. 特徵選擇的缺點
63. 一般深度神經網路無法處理較複雜的問題
64. 過濾器與特徵映射圖
65. 卷積層的完整描述
66. 最大池化
67. 卷積網路的完整架構描述
68. 運用卷積網路處理MNIST問題
69. 圖片預處理使模型更可靠
70. 運用批量歸一化加速訓練
71. 打造一個卷積網路，處理CIFAR-10挑戰
72. 視覺化呈現卷積網路的學習狀況
73. 利用卷積過濾器複製某種藝術風格
74. 學習其他問題領域的卷積過濾器
75. 總結
76. 第六章 嵌入和表達方式的學習
77. 學習低維表達方式
78. 主成分分析（PCA）
79. 自動編碼器架構
80. 用TensorFlow實作出一個自動編碼器 (1/3)
81. 用TensorFlow實作出一個自動編碼器 (2/3)
82. 用TensorFlow實作出一個自動編碼器 (3/3)
83. 降噪使嵌入表達方式更可靠
84. 自動編碼器的稀疏性（Sparsity）
85. 如果前後文比輸入本身含有更多資訊
86. Word2Vec框架
87. 實作Skip-Gram架構
88. 總結
89. 第七章 序列分析模型
90. 非固定長度輸入的分析
91. 運用神經N-Gram策略處理seq2seq問題
92. 詞性標籤器的實作 (1/2)
93. 詞性標籤器的實作 (2/2)
94. 依賴解析與SyntaxNet
95. 束搜索和全局歸一化
96. 有狀態的深度學習模型
97. 遞迴神經網路（RNN）
98. 梯度消失的挑戰
99. 長短期記憶（LSTM）單元 (1/2)
100. 長短期記憶（LSTM）單元 (2/2)
101. TensorFlow的RNN模型原生函數
102. 實作情緒分析模型
103. 運用RNN解決seq2seq問題
104. 注意力強化遞迴網路
105. 剖析神經翻譯網路 (1/5)
106. 剖析神經翻譯網路 (2/5)
107. 剖析神經翻譯網路 (3/5)
108. 剖析神經翻譯網路 (4/5)
109. 剖析神經翻譯網路 (5/5)
110. 總結
111. 第八章 記憶強化神經網路
112. 神經圖靈機（NTM）
113. 以注意力為基礎的記憶存取方式
114. NTM記憶定址機制
115. 可微分神經電腦（DNC）
116. DNC的無干擾寫入
117. DNC記憶的重複使用
118. 在DNC寫入具有時間相關性的資訊
119. 了解DNC讀取頭
120. DNC控制器網路
121. 以視覺化方式呈現運轉中的DNC
122. 用TensorFlow實作DNC
123. 教DNC學會閱讀和理解
124. 總結
125. 第九章 深度強化學習
126. 運用深度強化學習，精通《雅達利》系列遊戲
127. 什麼是強化學習？
128. 馬可夫決策過程（MDP）
129. 策略
130. 未來報酬
131. 折扣未來報酬
132. 「利用已知」與「探索未知」的兩難
133. 策略學習法與價值學習法
134. 運用策略梯度實現策略學習法
135. 把策略梯度運用於桿子平衡問題
136. OpenAI Gym（開放人工智慧練功房）
137. 創建代理者
138. 打造模型和最佳化工具
139. 動作抽樣
140. 追蹤歷史
141. 策略梯度的主函式
142. PGAgent在桿子平衡問題上的表現
143. Q學習和深度Q網路
144. Bellman方程式
145. 價值迭代的問題
146. 近似Q函數
147. 深度Q網路（DQN）
148. 訓練DQN
149. 學習穩定性
150. 目標Q網路
151. 經驗重播
152. 根據Q函數得出策略
153. DQN和馬可夫假設
154. 馬可夫假設限制下DQN的解決之道
155. 用DQN玩打磚塊遊戲
156. 打造架構
157. 堆疊畫面
158. 訓練操作的相關設定
159. 目標Q網路的更新
160. 經驗重播的實作
161. DQN主迴圈
162. DQNAgent在打磚塊遊戲中的表現
163. DQN的改進和超越
164. 深度遞迴Q網路（DRQN）
165. 「非同步優勢動作評論（A3C）」代理者
166. 無督察強化輔助學習（UNREAL）
167. 總結
168. 索引 (1/2)
169. 索引 (2/2)
170. 關於作者
171. 出版記事