Keras深度学习与神经网络

目录 第１章 人工智能导论
任务 1．1：了解人工智能发展历程
人工智能的发展历程
任务 1．2：理解人工智能、机器学习、深度学习．
1．2．1 人工智能，机器学习和深度学习
1．2．2 深度学习的发展
任务 1．3：了解深度学习的应用情况
1．3．1 深度学习的应用情况
本章小结
本章习题
第 2 章 深度学习流程
任务 2．1：什么是机器学习
2．1．1 机器学习
2．1．2 机器如何学习
任务 2．2：理解回归与分类
2．2．1 回归
2．2．2 分类
任务 2．3：了解深度学习工作过程
深度学习工作过程
本章小结
本章习题
第 3 章 神经网络基础
任务 3．1：什么是人工神经元
3．1．1 生物神经元
3．1．2 人工神经元
任务 3．2：理解激活函数的意义
3．2．1 激活函数的意义
3．2．2 激活函数种类
任务 3．3：掌握基础的神经网络结构
3．3．1 感知机模型
3．3．2 全连接神经网络
任务 3．4：了解什么是损失函数
3．4．1 损失函数的意义
3．4．2 损失函数的种类
本章小结
本章习题
第 4 章 反向传播原理．
任务 4．1：计算神经网络的输出
前向传播计算
任务 4．2：掌握反向传播算法
4．2．1 反向传播算法的意义
4．2．2 反向传播算法的计算
任务 4．3：掌握梯度下降算法
4．3．1 梯度下降概述
4．3．2 梯度下降的形式
4．3．3 学习率的作用
任务 4．4：使用 Python 实现反向传播算法
反向传播的 Python 实现
本章小结
本章习题
第 5 章 Keras 与环境配置
任务 5．1：深度学习开发环境的配置
5．1．1 Python 开发环境搭建
5．1．2 Keras 与 TensorFlow 安装
任务 5．2：快速开始 Keras
5．2．1 为什么选择 Keras
5．2．2 快速开始 Keras
任务 5．3：掌握顺序模型 Sequential API
5．3．1 Sequential API
任务 5．4：认识函数式模型 Funtional API
Funtional API
本章小结
本章习题
第 6 章 深度神经网络手写体识别
任务 6．1：理解 Softmax 回归模型
6．1．1 Softmax 回归模型
6．1．2 交叉熵损失函数
任务 6．2：使用手写体识别数据集 MNIST
图像分类数据集-MNIST
任务 6．3：深度神经网络解决图像分类问题
多层感知机结合 Softmax 完成手写体识别
任务 6．4：模型评估
6．4．1 选择一个可靠的模型
6．4．2 欠拟合和过拟合
本章小结
本章习题
第 7 章 神经网络优化
任务 7．1：范数正则化避免过拟合
范数正则化
任务 7．2：丢弃法正则化避免过拟合
丢弃法
任务 7．3：掌握改进的优化算法
7．3．1 深度学习与优化
7．3．2 小批量随机梯度下降算法改进
本章小结
本章习题
第 8 章 卷积神经网络
任务 8．1：初识卷积神经网络
8．1．1 卷积概述
8．1．2 与全连接网络对比
任务 8．2：卷积运算
8．2．1 卷积核
8．2．2 填充和步幅
8．2．3 多通道卷积
8．2．4 池化层
任务 8．3：LeNet 实现物体分类
8．3．1 LeNet-开山之作
8．3．2 LeNet 进行物体分类
本章小结
本章习题
第 9 章 卷积神经网络经典结构
任务 9．1：训练深度卷积神经网络
9．1．1 AlexNet
9．1．2 图像增广
9．1．3 实现 AlexNet
任务 9．2：进一步增加网络的深度
9．2．1 VGG 系列
9．2．2 应用 VGG16 提取特征
任务 9．3：认识并行结构的卷积网络
9．3．1 GoogLeNet
9．3．2 Inception 结构块
9．3．3 1×1 卷积核
9．3．4 GoogLeNet 结构
任务 9．4：把网络深度提升至上百层
9．4．1 深度残差网络
9．4．2 稠密连接网络
本章小结
本章习题
第 10 章 循环神经网络
任务 10．1：对时序数据建模
10．1．1 时序数据
10．1．2 循环神经网络
任务 10．2：增加循环神经网络的记忆
10．2．1 长短期记忆网络原理
10．2．2 Keras 实现 LSTM
任务 10．3：优化长短期记忆网络
10．3．1 重置门与更新门
本章小结
本章习题