封面
前折页
书名页
版权
译者序
前言
致谢
第1章 引言
 1.1 碳基计算和硅基计算
 1.2 早期至20世纪40年代末
 1.3 1950年至1980年
 1.4 1980年至今
 1.5 路线图
 1.6 练习
第2章 基本概念
 2.1 突触
 2.2 单元或神经元
 2.3 激活函数
 2.4 传递函数
 2.5 离散时间和连续时间
 2.6 网络和架构
 2.7 架构的函数容量和基数容量
 2.8 贝叶斯统计框架
 2.9 信息论
 2.10 数据和学习的多种场景
 2.11 学习规则
 2.12 计算复杂性理论
 2.13 练习
第3章 浅层网络和浅层学习
 3.1 监督式浅层网络及其设计
 3.2 浅层网络的容量
 3.3 浅层学习
 3.4 浅层学习的扩展
 3.5 练习
第4章 两层网络和普适逼近
 4.1 函数容量
 4.2 普适逼近性质
 4.3 A（n,m,1）架构的容量
 4.4 练习
第5章 自编码器
 5.1 通用的自编码器框架
 5.2 自编码器的一般性质
 5.3 线性自编码器
 5.4 非线性自编码器
 5.5 其他自编码器和自编码器性质
 5.6 练习
第6章 深度网络和反向传播
 6.1 为什么要使用深层架构
 6.2 函数容量：深度线性的情况
 6.3 函数容量：深度非受限布尔的情况
 6.4 基数容量：深层前馈架构
 6.5 容量的其他表示
 6.6 通过反向传播学习
 6.7 反向传播的最优性
 6.8 架构设计
 6.9 训练中的实际问题
 6.10 偏差-方差分解
 6.11 丢弃
 6.12 模型压缩/蒸馏和暗知识
 6.13 乘性交互：门控和注意力
 6.14 无监督学习和生成模型
 6.15 练习
第7章 局部学习原理
 7.1 计算机中的虚拟化和学习
 7.2 神经元视图
 7.3 突触视图：局部学习原理
 7.4 学习规则的分层
 7.5 深度局部学习及其根本局限性
 7.6 局部深度学习：深度学习通道
 7.7 局部深度学习和深度目标等价
 7.8 练习
第8章 深度学习通道
 8.1 随机反向传播及其变体
 8.2 随机反向传播的仿真
 8.3 理解随机反向传播
 8.4 随机反向传播的数学分析
 8.5 关于学习通道的进一步探讨
 8.6 循环自编码器
 8.7 再循环：时空的局部性
 8.8 再循环的仿真实验
 8.9 再循环是一种随机反向传播
 8.10 再循环的数学分析
 8.11 练习
第9章 循环网络
 9.1 循环网络简介
 9.2 循环网络的基数容量
 9.3 对称连接：霍普菲尔德模型
 9.4 对称连接：玻尔兹曼机
 9.5 练习
第10章 递归网络
 10.1 可变大小的结构化数据
 10.2 递归网络及其设计
 10.3 内入方法和外出方法的关系
 10.4 练习
第11章 物理学中的应用
 11.1 物理科学中的深度学习
 11.2 反物质物理学
 11.3 高能对撞机物理学
 11.4 中微子物理学
 11.5 暗物质物理学
 11.6 宇宙学与天体物理学
 11.7 气候物理学
 11.8 引入物理知识和约束
 11.9 结论：理论物理学
第12章 化学中的应用
 12.1 化学数据和化学空间
 12.2 小分子性质预测
 12.3 化学反应预测
第13章 生物学和医学中的应用
 13.1 生物医学数据
 13.2 生命概述
 13.3 深度学习在蛋白质组学中的应用
 13.4 基因组学和转录组学中的深度学习
 13.5 生物医学影像中的深度学习
 13.6 医疗保健中的深度学习
第14章 结语
 14.1 可解释性及黑盒问题
 14.2 人工神经网络和生物神经网络
附录
 附录A 强化学习和深度强化学习
  A.1 历史与背景概述
  A.2 主要算法
  A.3 挑战与待解决的问题
  A.4 其他研究方向
  A.5 深度强化学习
  A.6 练习
 附录B 部分练习的提示和注释
参考文献
后折页
封底