深度學習入門：基于Python的理論與實現(xiàn)+深度學習的數(shù)學+Python深度學習（套裝共3冊）

《深度學習入門基于Python的理論與實現(xiàn)》
前言　xv
第1章Python入門　1
1．1　Python是什么　1
1．2　Python的安裝　2
1．3　Python解釋器　4
1．4　Python腳本文件　9
1．5　NumPy　11
1．6　Matplotlib　16
1．7　小結　19
第2章感知機　21
2．1　感知機是什么　21
2．2　簡單邏輯電路　23
2．3　感知機的實現(xiàn)　25
2．4　感知機的局限性　28
2．5　多層感知機　31
2．6　從與非門到計算機　35
2．7　小結　36
第3章神經(jīng)網(wǎng)絡　37
3．1　從感知機到神經(jīng)網(wǎng)絡　37
3．2　激活函數(shù)　42
3．3　多維數(shù)組的運算　50
3．4　3層神經(jīng)網(wǎng)絡的實現(xiàn)　56
3．5　輸出層的設計　63
3．6　手寫數(shù)字識別　69
3．7　小結　79
第4章神經(jīng)網(wǎng)絡的學習　81
4．1　從數(shù)據(jù)中學習　81
4．2　損失函數(shù)　85
4．3　數(shù)值微分　94
4．4　梯度　100
4．5　學習算法的實現(xiàn)　109
4．6　小結　118
第5章誤差反向傳播法　121
5．1　計算圖　121
5．2　鏈式法則　126
5．3　反向傳播　130
5．4　簡單層的實現(xiàn)　135
5．5　激活函數(shù)層的實現(xiàn)　139
5．6　Affine/Softmax層的實現(xiàn)　144
5．7　誤差反向傳播法的實現(xiàn)　154
5．8　小結　161
第6章與學習相關的技巧　163
6．1　參數(shù)的更新　163
6．2　權重的初始值　176
6．3　BatchNormalization　184
6．4　正則化　188
6．5　超參數(shù)的驗證　195
6．6　小結　200
第7章卷積神經(jīng)網(wǎng)絡　201
7．1　整體結構　201
7．2　卷積層　202
7．3　池化層　214
7．4　卷積層和池化層的實現(xiàn)　216
7．5　CNN的實現(xiàn)　224
7．6　CNN的可視化　228
7．7　具有代表性的CNN　231
7．8　小結　233
第8章深度學習　235
8．1　加深網(wǎng)絡　235
8．2　深度學習的小歷史　242
8．3　深度學習的高速化　248
8．4　深度學習的應用案例　253
8．5　深度學習的未來　258
8．6　小結　264
附錄A　Softmax-with-Loss層的計算圖　267
A．1　正向傳播　268
A．2　反向傳播　270
A．3　小結　277
參考文獻　279

《深度學習的數(shù)學》
第1章　神經(jīng)網(wǎng)絡的思想
1-1　神經(jīng)網(wǎng)絡和深度學習2
1-2　神經(jīng)元工作的數(shù)學表示6
1-3　激活函數(shù)：將神經(jīng)元的工作一般化12
1-4　什么是神經(jīng)網(wǎng)絡18
1-5　用惡魔來講解神經(jīng)網(wǎng)絡的結構23
1-6　將惡魔的工作翻譯為神經(jīng)網(wǎng)絡的語言31
1-7　網(wǎng)絡自學習的神經(jīng)網(wǎng)絡36
第2章　神經(jīng)網(wǎng)絡的數(shù)學基礎
2-1　神經(jīng)網(wǎng)絡所需的函數(shù)40
2-2　有助于理解神經(jīng)網(wǎng)絡的數(shù)列和遞推關系式46
2-3　神經(jīng)網(wǎng)絡中經(jīng)常用到的Σ符號51
2-4　有助于理解神經(jīng)網(wǎng)絡的向量基礎53
2-5　有助于理解神經(jīng)網(wǎng)絡的矩陣基礎61
2-6　神經(jīng)網(wǎng)絡的導數(shù)基礎65
2-7　神經(jīng)網(wǎng)絡的偏導數(shù)基礎72
2-8　誤差反向傳播法必需的鏈式法則76
2-9　梯度下降法的基礎：多變量函數(shù)的近似公式80
2-10　梯度下降法的含義與公式83
2-11　用Excel體驗梯度下降法91
2-12　最優(yōu)化問題和回歸分析94
第3章　神經(jīng)網(wǎng)絡的最優(yōu)化
3-1　神經(jīng)網(wǎng)絡的參數(shù)和變量102
3-2　神經(jīng)網(wǎng)絡的變量的關系式111
3-3　學習數(shù)據(jù)和正解114
3-4　神經(jīng)網(wǎng)絡的代價函數(shù)119
3-5　用Excel體驗神經(jīng)網(wǎng)絡127
第4章　神經(jīng)網(wǎng)絡和誤差反向傳播法
4-1　梯度下降法的回顧134
4-2　神經(jīng)單元誤差141
4-3　神經(jīng)網(wǎng)絡和誤差反向傳播法146
4-4　用Excel體驗神經(jīng)網(wǎng)絡的誤差反向傳播法153
第5章　深度學習和卷積神經(jīng)網(wǎng)絡
5-1　小惡魔來講解卷積神經(jīng)網(wǎng)絡的結構168
5-2　將小惡魔的工作翻譯為卷積神經(jīng)網(wǎng)絡的語言174
5-3　卷積神經(jīng)網(wǎng)絡的變量關系式180
5-4　用Excel體驗卷積神經(jīng)網(wǎng)絡193
5-5　卷積神經(jīng)網(wǎng)絡和誤差反向傳播法200
5-6　用Excel體驗卷積神經(jīng)網(wǎng)絡的誤差反向傳播法212
附錄　
A　訓練數(shù)據(jù)（1）222
B　訓練數(shù)據(jù)（2）223
C　用數(shù)學式表示模式的相似度225

《Python深度學習》
第一部分　深度學習基礎
第1章什么是深度學習　2
1.1　人工智能、機器學習與深度學習　2
1.2　深度學習之前：機器學習簡史　11
1.3　為什么是深度學習，為什么是現(xiàn)在　15
第2章神經(jīng)網(wǎng)絡的數(shù)學基礎　20
2.1　初識神經(jīng)網(wǎng)絡　20
2.2　神經(jīng)網(wǎng)絡的數(shù)據(jù)表示　23
2.3　神經(jīng)網(wǎng)絡的“齒輪”：張量運算　29
2.4　神經(jīng)網(wǎng)絡的“引擎”：基于梯度的優(yōu)化　36
2.5　回顧第一個例子　41
本章小結　42
第3章　神經(jīng)網(wǎng)絡入門　43
3.1　神經(jīng)網(wǎng)絡剖析　43
3.2　Keras簡介　46
3.3　建立深度學習工作站　49
3.4　電影評論分類：二分類問題　51
3.5　新聞分類：多分類問題　59
3.6　預測房價：回歸問題　66
本章小結　73
第4章　機器學習基礎　74
4.1　機器學習的四個分支　74
4.2　評估機器學習模型　76
4.3　數(shù)據(jù)預處理、特征工程和特征學習　80
4.4　過擬合與欠擬合　83
4.5　機器學習的通用工作流程　89
本章小結　92
第二部分　深度學習實踐
第5章　深度學習用于計算機視覺　94
5.1　卷積神經(jīng)網(wǎng)絡簡介　94
5.2　在小型數(shù)據(jù)集上從頭開始訓練一個卷積神經(jīng)網(wǎng)絡　102
5.3　使用預訓練的卷積神經(jīng)網(wǎng)絡　115
5.4　卷積神經(jīng)網(wǎng)絡的可視化　130
本章小結　146
第6章　深度學習用于文本和序列　147
6.1　處理文本數(shù)據(jù)　147
6.2　理解循環(huán)神經(jīng)網(wǎng)絡　162
6.3　循環(huán)神經(jīng)網(wǎng)絡的高級用法　172
6.4　用卷積神經(jīng)網(wǎng)絡處理序列　188
本章總結　195
第7章　高級的深度學習最佳實踐　196
7.1　不用Sequential模型的解決方案：Keras函數(shù)式API　196
7.2　使用Keras回調函數(shù)和TensorBoard來檢查并監(jiān)控深度學習模型　210
7.3　讓模型性能發(fā)揮到極致　219
本章總結　225
第8章　生成式深度學習　226
8.1　使用LSTM生成文本　227
8.2　DeepDream　235
8.3　神經(jīng)風格遷移　241
8.4　用變分自編碼器生成圖像　249
8.5　生成式對抗網(wǎng)絡簡介　257
本章總結　264
第9章　總結　265
9.1　重點內容回顧　265
9.2　深度學習的局限性　273
9.3　深度學習的未來　277
9.4　了解一個快速發(fā)展領域的最新進展　281
9.5　結束語　282
附錄A　在Ubuntu上安裝Keras及其依賴　283
附錄B　在EC2GPU實例上運行Jupyter筆記本　287