第0章　寫在前麵：神經網絡的曆史 1
第1章　神經網絡是個什麼東西 13
1.1　買橙子和機器學習 13
1.1.1　規則列錶 14
1.1.2　機器學習 15
1.2　怎麼定義神經網絡 16
1.3　先來看看大腦如何學習 16
1.3.1　信息輸入 17
1.3.2　模式加工 17
1.3.3　動作輸齣 18
1.4　生物意義上的神經元 19
1.4.1　神經元是如何工作的 19
1.4.2　組成神經網絡 22
1.5　大腦如何解決現實生活中的分類問題 24
第2章　構造神經網絡 26
2.1　構造一個神經元 26
2.2　感知機 30
2.3　感知機的學習 32
2.4　用代碼實現一個感知機 34
2.4.1　Neuroph：一個基於Java的神經網絡框架 34
2.4.2　代碼實現感知機 37
2.4.3　感知機學習一個簡單邏輯運算 39
2.4.4　XOR問題 42
2.5　構造一個神經網絡 44
2.5.1　綫性不可分 45
2.5.2　解決XOR問題（解決綫性不可分） 49
2.5.3　XOR問題的代碼實現 51
2.6　解決一些實際問題 54
2.6.1　識彆動物 54
2.6.2　我是預測大師 59
第3章　深度學習是個什麼東西 66
3.1　機器學習 67
3.2　特徵 75
3.2.1　特徵粒度 75
3.2.2　提取淺層特徵 76
3.2.3　結構性特徵 78
3.3　淺層學習和深度學習 81
3.4　深度學習和神經網絡 83
3.5　如何訓練神經網絡 84
3.5.1　BP算法：神經網絡訓練 84
3.5.2　BP算法的問題 85
3.6　總結深度學習及訓練過程 86
第4章　深度學習的常用方法 89
4.1　模擬大腦的學習和重構 90
4.1.1　灰度圖像 91
4.1.2　流行感冒 92
4.1.3　看看如何編解碼 93
4.1.4　如何訓練 95
4.1.5　有監督微調 97
4.2　快速感知：稀疏編碼（Sparse Coding） 98
4.3　棧式自編碼器 100
4.4　解決概率分布問題：限製波爾茲曼機 102
4.4.1　生成模型和概率模型 102
4.4.2　能量模型 107
4.4.3　RBM的基本概念 109
4.4.4　再看流行感冒的例子 111
4.5　DBN 112
4.6　捲積神經網絡 114
4.6.1　捲積神經網絡的結構 116
4.6.2　關於參數減少與權值共享 120
4.6.3 舉個典型的例子：圖片內容識彆 124
4.7　不會忘記你：循環神經網絡 131
4.7.1　什麼是RNN 131
4.7.2　LSTM網絡 136
4.7.3　LSTM變體 141
4.7.4　結論 143
4.8　你是我的眼：利用稀疏編碼器找圖像的基本單位 143
4.9　你是我的眼（續） 150
4.10　使用深度信念網搞定花分類 160
第5章　深度學習的勝利：AlphaGo 169
5.1　AI如何玩棋類遊戲 169
5.2　圍棋的復雜性 171
5.3　AlphaGo的主要原理 173
5.3.1　策略網絡 174
5.3.2　MCTS拯救瞭圍棋算法 176
5.3.3　強化學習："周伯通，左右互搏" 179
5.3.4　估值網絡 181
5.3.5　將所有組閤到一起：樹搜索 182
5.3.6　AlphaGo有多好 185
5.3.7　總結 187
5.4　重要的技術進步 189
5.5　一些可以改進的地方 190
5.6　未來 192
第6章　兩個重要的概念 194
6.1　遷移學習 194
6.2　概率圖模型 197
6.2.1　貝葉斯的網絡結構 201
6.2.2　概率圖分類 204
6.2.3　如何應用PGM 208
第7章　雜項 210
7.1　如何為不同類型的問題選擇模型 210
7.2　我們如何學習"深度學習" 211
7.3　如何理解機器學習和深度學習的差異 212
7.4　大規模學習（Large Scale Learning）和並行計算 214
7.5　如果喜歡應用領域，可以考慮以下幾種應用 215
7.6　類腦：人工智能的終極目標 216
參考文獻 218
術語 220
· · · · · · (收起)