第一部分 基础理论

第一章 深度学习概述  2

第一节 深度学习的定义与基本概念  2

第二节 深度学习的发展历程  4

第三节 深度学习与传统机器学习的关系  7

第二章 数学基础  13

第一节 线性代数  13

第二节 概率与统计  16

第三节 导数与梯度算法  19

第三章 计算机科学基础  24

第一节 算法与数据结构  24

第二节 编程语言与工具  35

第二部分 神经网络基础

第四章 人工神经网络  42

第一节 神经元模型  42

第二节 神经网络  44

第五章 前馈神经网络  48

第一节 前向传播  48

第二节 误差反向传播  52

第三节 网络训练  55

第六章 网络优化正则化  58

第一节 参数初始化  58

第二节 正则化方法  63

第三节 网络优化  66

第三部分 卷积神经网络

第七章 卷积神经网络基础  72

第一节 卷积层  72

第二节 池化层  76

第八章 经典CNN 模型  78

第一节 LeNet  78

第二节 AlexNet  79

第三节 VGGNet  81

第九章 卷积神经网络的应用  83

第一节 图像分类  83

第二节 物体检测  94

第三节 图像分割  100

第四部分 循环神经网络

第十章 循环神经网络基础  104

第一节 RNN 的基本结构  104

第二节 前向与后向传播  108

第十一章 长短期记忆网络和门控循环单元  110

第一节 LSTM 的结构与原理  110

第二节 GRU 的结构与原理  114

第三节 RNN 在序列数据中的应用  117

第五部分 高级主题

第十二章 生成对抗网络（GANs）  122

第一节 GANs 的基本概念  122

第二节 生成器与判别器  125

第三节 经典GANs 模型及其应用  128

第十三章 注意力机制与Transformer  131

第一节 注意力机制的基本概念  131

第二节 Transformer 的结构与原理  138

第三节 Transformer 在自然语言处理中的应用  140

第十四章 深度强化学习  143

第一节 强化学习基础  143

第二节 深度Q 学习  145

第六部分 深度学习的实际应用

第十五章 计算机视觉  150

第一节 图像处理与识别  150

第二节 视频分析  155

第三节 视觉问答  160

第十六章 自然语言处理  173

第一节 语言模型  173

第二节 机器翻译  179

第三节 对话系统  183

第十七章 语音识别与合成  196

第一节 语音识别基础  196

第二节 语音识别的应用场景  202

第三节 AI 语音合成技术  205

第七部分 深度学习的挑战与未来发展

第十八章 深度学习面临的挑战  212

第一节 数据获取与处理  212

第二节 模型训练的计算资源问题  213

第三节 可解释性与透明性  215

第十九章 深度学习的未来发展方向  219

第一节 前沿研究方向  219

第二节 社会与伦理影响  230

参考文献  240