更新时间：2021-03-04 18:52:15
封面
版权信息
作者简介
内容简介
推荐序1
推荐序2
前言
第1章 数学基础
1.1 向量和矩阵
1.2 导数和偏导数
1.3 特征值和特征向量
1.4 概率分布与随机变量
1.5 常见概率分布
1.6 期望、方差、协方差、相关系数
第2章 机器学习基础
2.1 基本概念
2.2 机器学习的学习方式
2.3 分类算法
2.4 逻辑回归
2.5 代价函数
2.6 损失函数
2.7 梯度下降法
2.8 线性判别分析
2.9 主成分分析
2.10 模型评估
2.11 决策树
2.12 支持向量机（SVM）
2.13 贝叶斯分类器
2.14 EM算法
2.15 降维和聚类
第3章 深度学习基础
3.1 基本概念
3.2 神经网络计算
3.3 激活函数
3.4 Batch Size
3.5 归一化
3.6 参数初始化
3.7 预训练与微调
3.8 超参数
3.9 学习率
3.10 正则化
第4章 卷积神经网络的经典网络
4.1 LeNet-5
4.2 AlexNet
4.3 ZFNet
4.4 NIN
4.5 VGGNet
4.6 GoogLeNet
4.7 ResNet
4.8 DenseNet
4.9 CNN模型在GoogLeNet、VGGNet或AlexNet上调整的原因
第5章 卷积神经网络
5.1 CNN的结构
5.2 输入层
5.3 卷积层
5.4 激活层
5.5 池化层
5.6 全连接层
5.7 二维卷积与三维卷积
5.8 理解转置卷积与棋盘效应
5.9 卷积神经网络凸显共性的方法
5.10 局部卷积
5.11 CNN可视化
5.12 卷积神经网络的优化及应用
第6章 循环神经网络
6.1 为什么需要RNN
6.2 图解RNN基本结构
6.3 RNN的性质
6.4 RNN的后向传播
6.5 长短期记忆网络（LSTM）
6.6 常见的RNN结构上的扩展和改进
6.7 RNN在NLP中的典型应用举例
6.8 RNN与图像领域的结合举例
6.9 RNN与条件随机场的结合
第7章 生成对抗网络
7.1 GAN的基本概念
7.2 GAN的生成模型评价
7.3 其他常见的生成模型
7.4 GAN的改进与优化
7.5 GAN的应用：图像翻译
7.6 GAN的应用：文本生成
7.7 GAN在其他领域的应用
第8章 目标检测
8.1 基本概念
8.2 two-stage目标检测算法
8.3 one-stage目标检测算法
8.4 目标检测的常用数据集
8.5 目标检测常用标注工具
第9章 图像分割
9.1 常见的图像分割算法
9.2 FCN
9.3 U-Net
9.4 U-Net++
9.5 SegNet
9.6 LinkNet
9.7 RefineNet
9.8 PSPNet
9.9 DeepLab系列
9.10 Mask R-CNN作为目标分割的介绍
9.11 基于弱监督学习的图像分割
