人工智能算法（卷3）：深度学习和神经网络

A.5 如何为项目做贡献

A.4 示例代码的内容

A.3 获取示例代码

A.2 保持更新

A.1 系列图书简介

附录A 示例代码使用说明

16.3 本章小结

16.2 用深度学习建模

16.1 Kaggle竞赛

第16章 用神经网络建模

15.3 本章小结

15.2 t-SNE降维

15.1 混淆矩阵

第15章 可视化

14.5 本章小结

14.4 LeNet-5超参数

14.3 常规超参数

14.2 训练参数

14.1 评估神经网络

第14章 构建神经网络

13.3 本章小结

13.2 简单循环神经网络

13.1 时间序列编码

第13章 时间序列和循环神经网络

12.4 本章小结

12.3 使用Dropout

12.2 Dropout

12.1 L1和L2正则化

第12章 Dropout和正则化

11.4 本章小结

11.3 模型选择

11.2 剪枝算法

11.1 理解剪枝

第11章 剪枝和模型选择

10.6 本章小结

10.5 针对MNIST数据集的卷积神经网络

10.4 稠密层

10.3 最大池层

10.2 卷积层

10.1 LeNet-5

第10章 卷积神经网络

9.9 本章小结

9.8 深度信念神经网络

9.7 深度学习工具

9.6 GPU训练

9.5 神经元Dropout

9.4 卷积神经网络

9.3 修正线性单元

9.2 部分标记的数据

9.1 深度学习的组成部分

第9章 深度学习

8.4 本章小结

8.3 HyperNEAT神经网络

8.2 CPPN

8.1 NEAT神经网络

第8章 NEAT、CPPN和HyperNEAT

7.9 本章小结

7.8 LMA过程概述

7.7 具有多个输出的LMA

7.6 黑塞矩阵的计算

7.5 莱文伯格-马夸特算法

7.4 理解RPROP

7.3 数据结构

7.2 RPROP参数

7.1 弹性传播

第7章 其他传播训练

6.6 本章小结

6.5 应用反向传播

6.4 激活函数的导数

6.3 计算剩余节点增量

6.2 计算输出节点增量

6.1 理解梯度

第6章 反向传播训练

5.4 本章小结

5.3 模拟退火训练

5.2 评估回归

5.1 评估分类

第5章 训练与评估

4.6 本章小结

4.5 规范化数据

4.4 径向基函数神经网络

4.3 初始化权重

4.2 计算输出

4.1 前馈神经网络结构

第4章 前馈神经网络

3.5 本章小结

3.4 应用玻尔兹曼机

3.3 玻尔兹曼机

3.2 Hopfield-Tank神经网络

3.1 霍普菲尔德神经网络

第3章 霍普菲尔德神经网络和玻尔兹曼机

2.2 本章小结

2.1 自组织映射和邻域函数

第2章 自组织映射

1.6 本章小结

1.5 神经网络逻辑

1.4 修正线性单元

1.3 激活函数

1.2 神经元的类型

1.1 神经元和层

第1章 神经网络基础

资源与支持

本书中使用的数据集

神经网络路线指引

背景资料

神经网络介绍

本系列图书计划出版的书籍

系列图书简介

引言 / INTRODUCTION

内容提要

版权声明

版 权

版权信息

封面

封面

版权信息

版 权

版权声明

内容提要

引言 / INTRODUCTION

系列图书简介

本系列图书计划出版的书籍

神经网络介绍

背景资料

神经网络路线指引

本书中使用的数据集

资源与支持

第1章 神经网络基础

1.1 神经元和层

1.2 神经元的类型

1.3 激活函数

1.4 修正线性单元

1.5 神经网络逻辑

1.6 本章小结

第2章 自组织映射

2.1 自组织映射和邻域函数

2.2 本章小结

第3章 霍普菲尔德神经网络和玻尔兹曼机

3.1 霍普菲尔德神经网络

3.2 Hopfield-Tank神经网络

3.3 玻尔兹曼机

3.4 应用玻尔兹曼机

3.5 本章小结

第4章 前馈神经网络

4.1 前馈神经网络结构

4.2 计算输出

4.3 初始化权重

4.4 径向基函数神经网络

4.5 规范化数据

4.6 本章小结

第5章 训练与评估

5.1 评估分类

5.2 评估回归

5.3 模拟退火训练

5.4 本章小结

第6章 反向传播训练

6.1 理解梯度

6.2 计算输出节点增量

6.3 计算剩余节点增量

6.4 激活函数的导数

6.5 应用反向传播

6.6 本章小结

第7章 其他传播训练

7.1 弹性传播

7.2 RPROP参数

7.3 数据结构

7.4 理解RPROP

7.5 莱文伯格-马夸特算法

7.6 黑塞矩阵的计算

7.7 具有多个输出的LMA

7.8 LMA过程概述

7.9 本章小结

第8章 NEAT、CPPN和HyperNEAT

8.1 NEAT神经网络

8.2 CPPN

8.3 HyperNEAT神经网络

8.4 本章小结

第9章 深度学习

9.1 深度学习的组成部分

9.2 部分标记的数据

9.3 修正线性单元

9.4 卷积神经网络

9.5 神经元Dropout

9.6 GPU训练

9.7 深度学习工具

9.8 深度信念神经网络

9.9 本章小结

第10章 卷积神经网络

10.1 LeNet-5

10.2 卷积层

10.3 最大池层

10.4 稠密层

10.5 针对MNIST数据集的卷积神经网络

10.6 本章小结

第11章 剪枝和模型选择

11.1 理解剪枝

11.2 剪枝算法

11.3 模型选择

11.4 本章小结

第12章 Dropout和正则化

12.1 L1和L2正则化

12.2 Dropout

12.3 使用Dropout

12.4 本章小结

第13章 时间序列和循环神经网络

13.1 时间序列编码

13.2 简单循环神经网络

13.3 本章小结

第14章 构建神经网络

14.1 评估神经网络

14.2 训练参数

14.3 常规超参数

14.4 LeNet-5超参数

14.5 本章小结

第15章 可视化

15.1 混淆矩阵

15.2 t-SNE降维

15.3 本章小结

第16章 用神经网络建模

16.1 Kaggle竞赛

16.2 用深度学习建模

16.3 本章小结

附录A 示例代码使用说明

A.1 系列图书简介

A.2 保持更新

A.3 获取示例代码

A.4 示例代码的内容

A.5 如何为项目做贡献