深入淺出人工神經(jīng)網(wǎng)絡

第 1章　背景知識 1
1．1　什么是智能 /　1
1．2　大腦與神經(jīng)元 /　2
1．3　關于人工智能/機器學習/神經(jīng)網(wǎng)絡/深度學習 /　7
第　2章 函數(shù)　10
2．1　函數(shù)的極限 /　10
2．2　函數(shù)的連續(xù)性 /　13
2．3　導數(shù) /　14
2．4　凹凸性與拐點 /　21
2．5　極值與駐點 /　23
2．6　曲率 /　25
2．7　二元函數(shù) /　27
第3章　梯度　34
3．1　矢量的概念 /　34
3．2　矢量的運算 /　35
3．3　矢量與坐標 /　37
3．4　方向角與方向余弦 /　39
3．5　矢量的數(shù)量積 /　40
3．6　函數(shù)的梯度 /　42
第4章　矩陣　50
4．1　矩陣的概念及運算 /　50
4．2　矩陣的初等變換 /　54
4．3　矢量的矩陣表示法 /　57
4．4　矩陣的秩 /　58
4．5　矩陣的逆 /　63
4．6　從標量函數(shù)到矩陣函數(shù) /　69
第5章　MCP模型及感知器（Perceptron）　80
5．1　MCP模型 /　80
5．2　模式識別初探 /　84
5．3　感知器 /　88
5．4　凸集與單層感知器 /　94
5．5　XOR問題 /　98
第6章　多層感知器（MLP）　100
6．1　縱向串接 /　100
6．2　MLP的基本架構 /　102
6．3　BP算法 /　108
6．4　梯度下降法 /　120
6．5　極小值問題 /　121
6．6　學習率 /　123
6．7　批量訓練 /　125
6．8　欠擬合與過擬合 /　127
6．9　容量 /　128
6．10　拓撲 /　130
6．11　收斂曲線 /　132
6．12　訓練樣本集 /　133
6．13　權值連接方式 /　135
第7章　徑向基函數(shù)神經(jīng)網(wǎng)絡（RBFNN）　137
7．1　插值的概念 /　137
7．2　RBF /　141
7．3　從精確插值到RBFNN /　148
7．4　Cover定理 /　151
7．5　空間分割問題 /　154
7．6　訓練策略 /　156
第8章　卷積神經(jīng)網(wǎng)絡（CNN）　157
8．1　卷積運算與相關運算 /　157
8．2　卷積核與特征映射圖 /　188
8．3　CNN的一般結構 /　195
8．4　三種思想 /　207
8．5　邊界策略 /　209
8．6　池化 /　211
8．7　CNN網(wǎng)絡實例 /　214
8．8　Hubel-Wiesel實驗 /　225
第9章　循環(huán)神經(jīng)網(wǎng)絡（RNN）　228
9．1　N-Gram模型 /　228
9．2　RNN示例 /　232
9．3　單向RNN /　237
9．4　BPTT算法 /　240
9．5　填空問題 /　255
9．6　雙向RNN /　263
9．7　梯度爆炸與梯度消失 /　265
9．8　LSTM /　269
結束語　278