深度學習:Java語言實現(Java Deep Learning Essentials) 深度学习:Java语言实现

本書是一本實戰型的深度學習和機器學習寶典，十分適合Java的深度學習入門者。本書涵蓋了深度學習的主要成熟算法，一步步地剖析算法背後的數學原理，並提供大量通俗易懂的代碼加以說明。同時，為了能更好地指導實踐，作者生動地闡述了很多寶貴的工程經驗和技術直覺。最後，本書介紹了該領域最新的研究和應用成果，還包括一些實用的網絡資源及研究方法。總之，本書值得深度學習愛好者細細品味。

作者：（日本）巢籠悠輔（Yusuke Sugomori）譯者：陳澎王磊陸明

巢籠悠輔（Yusuke Sugomori）是一位有信息工程背景的富有創造力的技術專家，目前是MICIN聯合創始人和首席技術官，東京大學客座講師。當他攻讀研究生的時候，就與同事共同建立了Gunosy，主要是利用機器學習和基於網頁的數據挖掘技術判斷用戶興趣，並提供與之匹配的每日新聞推薦。這個基於算法的應用程序從發布起就引起了廣泛關注，到目前累計用戶已超過1000萬。Yusuke在2013年加入日本的廣告公司Dentsu，從事數字廣告、智能手機應用開發及大數據分析等工作。Yusuke被日本《Web Designing》雜誌評為“新一代”創新八強之一。

譯者序

前言

第1章深度學習概述
1.1人工智能的變遷
1.1.1人工智能的定義
1.1.2人工智能曾經的輝煌
1.1.3機器學習的演化
1.1.4機器學習的局限性
1.2人與機器的區分因素
1.3人工智能與深度學習
1.4小結

第2章機器學習算法——為深度學習做準備
2.1入門
2.2機器學習中的訓練需求
2.3監督學習和無監督學習
2.3.1支持向量機
2.3.2隱馬爾可夫模型
2.3.3神經網絡
2.3.4邏輯回歸
2.3.5增強學習
2.4機器學習應用流程
2.5神經網絡的理論和算法
2.5.1單層感知器
2.5.2邏輯回歸
2.5.3多類邏輯回歸
2.5 .4多層感知器
2.6小結

第3章深度信念網絡與棧式去
噪自編碼器
3.1神經網絡的沒落
3.2神經網絡的複興
3.2.1深度學習的進化——突破是什麼
3.2.2預訓練的深度學習
3.3深度學習算法
3.3.1限制玻爾茲曼機
3.3.2深度信念網絡
3.3.3去噪自編碼器
3.3.4棧式去噪自編碼器
3.4小結

第4章dropout和卷積神經網絡
4.1沒有預訓練的深度學習算 法
4.2dropout 
4.3卷積神經網絡
4.3.1卷積
4.3.2池化
4.3.3公式和實現
4.4小結

第5章探索Java深度學習庫——DL4J、ND4J以及其他
5.1從零實現與使用庫／框架
5.2DL4J和ND4J的介紹
5.3使用ND4J實現
5.4使用DL4J實現
5.4.1設置
5.4.2構建
5.4.3CNN Mnist Example.java／Lenet Mnist Example.java 
5.4.4學習速率的優化
5.5小結

第6章實踐應用— —遞歸神經網絡等
6.1深度學習熱點
6.1.1圖像識別
6.1.2自然語言處理
6.2深度學習的挑戰
6.3最大化深度學習概率和能力的方法
6.3.1面向領域的方法
6.3.2面向分解的方法
6.3 .3面向輸出的方法
6.4小結

第7章其他重要的深度
學習庫
7.1Theano 
7.2Tensor Flow 
7.3Caffe 
7.4小結

第8章未來展望
8.1深度學習的爆炸新聞
8.2下一步的展望
8.3對深度學習有用的新聞資源
8.4小結