深度學習入門：基于Python的理論與實現+深度學習的數學+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》
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　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章神經網絡　37
3．1　從感知機到神經網絡　37
3．2　激活函數　42
3．3　多維數組的運算　50
3．4　3層神經網絡的實現　56
3．5　輸出層的設計　63
3．6　手寫數字識別　69
3．7　小結　79
第4章神經網絡的學習　81
4．1　從數據中學習　81
4．2　損失函數　85
4．3　數值微分　94
4．4　梯度　100
4．5　學習算法的實現　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　135
5．5　激活函數層的實現　139
5．6　Affine/Softmax層的實現　144
5．7　誤差反向傳播法的實現　154
5．8　小結　161
第6章與學習相關的技巧　163
6．1　參數的更新　163
6．2　權重的初始值　176
6．3　BatchNormalization　184
6．4　正則化　188
6．5　超參數的驗證　195
6．6　小結　200
第7章卷積神經網絡　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　216
7．5　CNN的實現　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

《深度學習的數學》
第1章　神經網絡的思想
1-1　神經網絡和深度學習2
1-2　神經元工作的數學表示6
1-3　激活函數：將神經元的工作一般化12
1-4　什么是神經網絡18
1-5　用惡魔來講解神經網絡的結構23
1-6　將惡魔的工作翻譯為神經網絡的語言31
1-7　網絡自學習的神經網絡36
第2章　神經網絡的數學基礎
2-1　神經網絡所需的函數40
2-2　有助于理解神經網絡的數列和遞推關系式46
2-3　神經網絡中經常用到的Σ符號51
2-4　有助于理解神經網絡的向量基礎53
2-5　有助于理解神經網絡的矩陣基礎61
2-6　神經網絡的導數基礎65
2-7　神經網絡的偏導數基礎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　神經網絡的最優(yōu)化
3-1　神經網絡的參數和變量102
3-2　神經網絡的變量的關系式111
3-3　學習數據和正解114
3-4　神經網絡的代價函數119
3-5　用Excel體驗神經網絡127
第4章　神經網絡和誤差反向傳播法
4-1　梯度下降法的回顧134
4-2　神經單元誤差141
4-3　神經網絡和誤差反向傳播法146
4-4　用Excel體驗神經網絡的誤差反向傳播法153
第5章　深度學習和卷積神經網絡
5-1　小惡魔來講解卷積神經網絡的結構168
5-2　將小惡魔的工作翻譯為卷積神經網絡的語言174
5-3　卷積神經網絡的變量關系式180
5-4　用Excel體驗卷積神經網絡193
5-5　卷積神經網絡和誤差反向傳播法200
5-6　用Excel體驗卷積神經網絡的誤差反向傳播法212
附錄　
A　訓練數據（1）222
B　訓練數據（2）223
C　用數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，為什么是現在　15
第2章神經網絡的數學基礎　20
2.1　初識神經網絡　20
2.2　神經網絡的數據表示　23
2.3　神經網絡的“齒輪”：張量運算　29
2.4　神經網絡的“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　神經網絡入門　43
3.1　神經網絡剖析　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　數據預處理、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　卷積神經網絡簡介　94
5.2　在小型數據集上從頭開始訓練一個卷積神經網絡　102
5.3　使用預訓練的卷積神經網絡　115
5.4　卷積神經網絡的可視化　130
本章小結　146
第6章　深度學習用于文本和序列　147
6.1　處理文本數據　147
6.2　理解循環(huán)神經網絡　162
6.3　循環(huán)神經網絡的高級用法　172
6.4　用卷積神經網絡處理序列　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函數式API　196
7.2　使用Keras回調函數和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