Chapter 01 深度學習簡介

1.1 概述

1.2 深度學習的統計學入門

1.3 基本概念的解釋

1.3.1 深度學習的函數類型

1.3.2 深度學習的其他常見概念

1.4 梯度下降演算法

1.5 反向傳播演算法



Chapter 02 準備深度學習的環境

2.1 硬體環境的建置和組態的選擇

2.1.1 圖形處理器通用計算

2.1.2 需要什麼樣的 GPU 加速卡

2.1.3 GPU 需要多少記憶體

2.1.4 是否應該使用多個 GPU

2.2 安裝軟體環境

2.2.1 所需的軟體清單

2.2.2 CUDA 的安裝

2.2.3 Python 計算環境的安裝

2.2.4 深度學習建模環境介紹

2.2.5 安裝 CNTK 及對應的 Keras

2.2.6 安裝 Theano 計算環境

2.2.7 安裝 TensorFlow 計算環境

2.2.8 安裝 cuDNN 和 CNMeM



Chapter 03 Keras 入門

3.1 Keras 簡介

3.2 Keras 的資料處理

3.2.1 文字預處理

3.2.2 序列資料預處理

3.2.3 圖片資料登錄

3.3 Keras 的模型

3.4 Keras 的重要物件

3.5 Keras 的網路層構造

3.6 使用 Keras 進行奇異值矩陣分解



Chapter 04 資料收集與處理

4.1 網路爬蟲

4.1.1 網路爬蟲技術

4.1.2 建構自己的 Scrapy 爬蟲

4.1.3 建構可接受參數的 Scrapy 爬蟲

4.1.4 執行 Scrapy 爬蟲

4.1.5 執行 Scrapy 爬蟲的要點

4.2 大規模非結構化資料的儲存和分析

4.2.1 ElasticSearch 介紹

4.2.2 ElasticSearch 應用實例



Chapter 05 推薦系統

5.1 推薦系統簡介

5.2 矩陣分解模型

5.3 深度神經網路模型

5.4 其他常用演算法

5.5 評判模型指標



Chapter 06 圖形識別

6.1 圖形識別入門

6.2 卷積神經網路的介紹

6.3 端到端的 MNIST 訓練數字識別

6.4 利用 VGG16 網路進行字體識別

6.5 總結



Chapter 07 自然語言情感分析

7.1 自然語言情感分析簡介

7.2 文字情感分析建模

7.2.1 詞嵌入技術

7.2.2 多層全連接神經網路訓練情感分析

7.2.3 卷積神經網路訓練情感分析

7.2.4 遞歸神經網路訓練情感分析

7.3 總結



Chapter 08 文字產生

8.1 文字產生和聊天機器人

8.2 基於檢索的對話系統

8.3 基於深度學習的檢索式對話系統

8.3.1 對話資料的建構

8.3.2 建構深度學習索引模型

8.4 基於文字產生的對話系統

8.5 總結



Chapter 09 時間序列

9.1 時間序列簡介

9.2 基本概念

9.3 衡量時間序列模型預測的準確度

9.4 時間序列資料範例

9.5 簡要回顧 ARIMA 時間序列模型

9.6 遞歸神經網路與時間序列模型

9.7 應用案例

9.7.1 長江漢口月度流量時間序列模型

9.7.2 國際航空月度乘客數時間序列模型

9.8 總結



Chapter 10雲端機器學習與智慧物聯網

10.1 Azure 和 IoT

10.2 Azure IoT Hub 服務

10.3 使用IoT Hub 管理設備概述

10.4 以.NET 將模擬設備連接到 IoT 中心

10.5 機器學習應用實例

?