人工智能学习 - （总目录）

目录
请先看前言
前言
1 神经网络
1.1 介绍神经网络
1.1.1 什么是神经网络
1.2 神经网络基础
1.2.1 如何将数据输入到神经网络中
1.2.2 神经网络是如何进行预测的
1.2.3 神经网络如何判断自己预测得是否准确
1.2.4 神经网络是如何进行学习的
1.2.5 计算图
1.2.6 如何计算逻辑回归的偏导数
1.2.7 向量化
1.2.8 如何开始使用python
1.2.9 如何向量化人工智能算法
1.2.10 [实战编程]教你编写第一个人工智能程序
1.3 浅神经网络
1.3.1 浅层神经网络
1.3.2 如何计算浅层神经网络的前向传播
1.3.3 如何计算浅层神经网络的反向传播
1.3.4 为什么需要激活函数
1.3.5 常见的激活函数
1.3.6 激活函数的偏导数
1.3.7 随机初始化参数
1.3.8 [实战编程]教你编写浅层神经网络
1.4 深度神经网络
1.4.1 为什么需要深度神经网络
1.4.2 如何计算深度神经网络
1.4.3 核对矩阵的维度
1.4.4 参数和超参数
1.4.5 [实战编程] 构建深度神经网络
2 实战优化
2.1 实战基础
2.1.1 如何配置数据集
2.1.2 欠拟合和过拟合
2.1.3 如何解决欠拟合与过拟合
2.1.4 L2正则化
2.1.5 dropout
2.1.6 数据增强
2.1.7 将输入特征进行归一化处理
2.1.8 梯度消失和梯度爆炸
2.1.9 梯度检验
2.1.10 [实战编程] 构建实战神经网络
2.2 优化算法
2.2.1 Mini-batch 梯度下降
2.2.2 如何为mini-batch选择合理的大小
2.2.3 指数加权平均
2.2.4 理解指数加权平均
2.2.5 指数加权平均的偏差修正
2.2.6 momentum梯度下降
2.2.7 RMSprop
2.2.8 Adam优化算法
2.2.9 学习率衰减
2.2.10 局部最优问题
2.2.11 [实战编程] 优化神经网络
2.3 调试神经网络
2.3.1 调试处理
2.3.2 为调参选择采样标尺
2.3.3 调参技巧的通用性和超参数的过时性
2.3.4 调参模式
2.3.5 归一化隐藏层
2.3.6 归一化隐藏层的好处
2.3.7 使用模型时的隐藏层归一化
2.3.8 Softmax 回归
2.3.9 深入理解softmax
2.3.10 如何选择深度学习框架
2.3.11 手把手教你使用tensorflow
2.3.12 [实战编程] 使用框架构建神经网络
3 深度学习项目实战
3.1 项目实战一
3.1.1 决策很重要
3.1.2 正交化
3.1.3 如何判断哪个网络更好？——单一数值指标
3.1.4 如何判断哪个网络更好？——优化指标和满足指标
3.1.5 验证集与测试集的数据来源要一致
3.1.6 如何决定数据集的大小？
3.1.7 判定标准是可以变的
3.1.8 AI能力与人类能力的关系
3.1.9 利用贝叶斯误差来判断拟合度
3.1.10 人类误差是多少呢？
3.1.11 AI超越人类
3.1.12 提升AI系统的一般流程
3.1.13 [实战编程] 大项目神经网络
3.2 实战项目二
3.2.1 手工分析错误
3.2.2 同时手工分析多个错误类别
3.2.3 错误标签
3.2.4 如何修正错误标签
3.2.5 快速地构建一个简单的系统
3.2.6 训练集与验证集的来源不一致
3.2.7 异源时的拟合度分析
3.2.8 不常用的误差分析
3.2.9 如何解决异源问题
3.2.10 迁移学习
3.2.11 如何实现迁移学习
3.2.12 什么时候才应该使用迁移学习？
3.2.13 多任务学习
3.2.14 [实战编程] 优化大项目
4 人脸识别
4.1 卷积神经网络
4.1.1 计算机视觉
4.1.2 边缘检测示例
4.1.3 更多边缘检测内容
4.1.4 Padding1.5 卷积步长
4.1.6 三维卷积
4.1.7 单层卷积网络
4.1.8 简单卷积网络示例
4.1.9 池化层
4.1.10 卷积神经网络示例
4.1.11 为什么使用卷积？
4.1.12 [实战编程] 构建简单的人脸识别程序
4.2 深度卷积网络
4.2.1 为什么要进行实例探究？
4.2.2 经典网络
4.2.3 残差网络
4.2.4 残差网络为什么有用？
4.2.5 网络中的网络以及 1×1 卷积
4.2.6 谷歌 Inception 网络简介
4.2.7 Inception 网络
4.2.8 使用开源的实现方案
4.2.9 迁移学习
4.2.10 数据扩充
4.2.11 计算机视觉现状
4.2.12 [实战编程] 优化人脸识别程序
4.3 目标检测
4.3.1 目标定位
4.3.2 特征点检测
4.3.3 目标检测
4.3.4 卷积的滑动窗口实现
4.3.5 Bounding Box预测
4.3.6 交并比
4.3.7 非极大值抑制
4.3.8 Anchor Boxes
4.3.9 YOLO 算法
4.3.10 候选区域
4.3.11 [实战编程] 构建商用人脸识别程序
4.4 油画风格转换
4.4.1 什么是转换？
4.4.2 One-Shot学习
4.4.3 Siamese 网络
4.4.4 Triplet 损失
4.4.5 风格验证与二分类
4.4.6 什么是神经风格转换？
4.4.7 什么是深度卷积网络？
4.4.8 代价函数
4.4.9 内容代价函数
4.4.10 风格代价函数
4.4.11 一维到三维推广
4.4.12 [实战编程] 构建风格转换程序
5 语音识别
5.1 循环序列模型
5.1.1 为什么选择序列模型？
5.1.2 数学符号
5.1.3 循环神经网络模型
5.1.4 通过时间的反向传播
5.1.5 不同类型的循环神经网络
5.1.6 语言模型和序列生成
5.1.7 对新序列采样
5.1.8 循环神经网络的梯度消失
5.1.9 GRU单元
5.1.10 长短期记忆
5.1.11 双向循环神经网络
5.1.12 深层循环神经网络
5.1.13 [实战编程]构建简单的语音识别程序
5.2 自然语言处理与词嵌入
5.2.1 词汇表征
5.2.2 使用词嵌入
5.2.3 词嵌入的特性
5.2.4 嵌入矩阵
5.2.5 学习词嵌入
5.2.6 Word2Vec2.7 负采样
5.2.8 GloVe 词向量
5.2.9 情绪分类
5.2.10 词嵌入除偏
5.2.11 [实战编程] 优化语音识别程序
5.3 序列模型和注意力机制
5.3.1 基础模型
5.3.2 选择最可能的句子
5.3.3 集束搜索
5.3.4 改进集束搜索
5.3.5 集束搜索的误差分析
5.3.6 Bleu 得分
5.3.7 注意力模型直观理解
5.3.8注意力模型
5.3.9语音识别
5.3.10触发字检测
5.3.11 [实战编程] 构建商用语音识别
6 生成对抗网络GANs
7 自动驾驶
8 强化学习
9 无监督学习
10 人工大脑

转载自：http://blog.csdn.net/jiangjunshow