本书从人工智能导论入手，阐述人工智能的发展及现状，重点介绍了机器学习和神经网络基础、反向传播原理、卷积神经网络和循环神经网络等内容。本书内容由浅入深，循序渐进，从神经元和感知机入手，逐步讲解深度学习中神经网络基础、反向传播以及更深层次的卷积神经网络、循环神经网络。本书知识体系完整，内容覆盖面广，介绍了深度学习中常用的模型和算法，助力读者全方位掌握深度学习的相关知识。
本书可作为高等院校计算机等相关专业的教材，也可供人工智能领域的技术人员学习使用，还可以作为人工智能研究人员的参考用书。

肖睿，课工场创始人，北京大学教育学博士，北京大学软件学院特约讲师，北京大学学习科学实验室特约顾问。作为北大青鸟 Aptech 的联合创始人，历任学术总监、研究院院长、公司副总裁等核心岗位，拥有20多年的IT职业教育产品管理和企业管理经验。于2015年创办课工场，兼任总经理，旨在为大学生提供更可靠的 IT 就业教育及服务。

目录 第１章 人工智能导论
任务 1.1：了解人工智能发展历程
人工智能的发展历程
任务 1.2：理解人工智能、机器学习、深度学习.
1.2.1 人工智能，机器学习和深度学习
1.2.2 深度学习的发展
任务 1.3：了解深度学习的应用情况
1.3.1 深度学习的应用情况
本章小结
本章习题
第 2 章 深度学习流程
任务 2.1：什么是机器学习
2.1.1 机器学习
2.1.2 机器如何学习
任务 2.2：理解回归与分类
2.2.1 回归
2.2.2 分类
任务 2.3：了解深度学习工作过程
深度学习工作过程
本章小结
本章习题
第 3 章 神经网络基础
任务 3.1：什么是人工神经元
3.1.1 生物神经元
3.1.2 人工神经元
任务 3.2：理解激活函数的意义
3.2.1 激活函数的意义
3.2.2 激活函数种类
任务 3.3：掌握基础的神经网络结构
3.3.1 感知机模型
3.3.2 全连接神经网络
任务 3.4：了解什么是损失函数
3.4.1 损失函数的意义
3.4.2 损失函数的种类
本章小结
本章习题
第 4 章 反向传播原理.
任务 4.1：计算神经网络的输出
前向传播计算
任务 4.2：掌握反向传播算法
4.2.1 反向传播算法的意义
4.2.2 反向传播算法的计算
任务 4.3：掌握梯度下降算法
4.3.1 梯度下降概述
4.3.2 梯度下降的形式
4.3.3 学习率的作用
任务 4.4：使用 Python 实现反向传播算法
反向传播的 Python 实现
本章小结
本章习题
第 5 章 Keras 与环境配置
任务 5.1：深度学习开发环境的配置
5.1.1 Python 开发环境搭建
5.1.2 Keras 与 TensorFlow 安装
任务 5.2：快速开始 Keras
5.2.1 为什么选择 Keras
5.2.2 快速开始 Keras
任务 5.3：掌握顺序模型 Sequential API
5.3.1 Sequential API
任务 5.4：认识函数式模型 Funtional API
Funtional API
本章小结
本章习题
第 6 章 深度神经网络手写体识别
任务 6.1：理解 Softmax 回归模型
6.1.1 Softmax 回归模型
6.1.2 交叉熵损失函数
任务 6.2：使用手写体识别数据集 MNIST
图像分类数据集-MNIST
任务 6.3：深度神经网络解决图像分类问题
多层感知机结合 Softmax 完成手写体识别
任务 6.4：模型评估
6.4.1 选择一个可靠的模型
6.4.2 欠拟合和过拟合
本章小结
本章习题
第 7 章 神经网络优化
任务 7.1：范数正则化避免过拟合
范数正则化
任务 7.2：丢弃法正则化避免过拟合
丢弃法
任务 7.3：掌握改进的优化算法
7.3.1 深度学习与优化
7.3.2 小批量随机梯度下降算法改进
本章小结
本章习题
第 8 章 卷积神经网络
任务 8.1：初识卷积神经网络
8.1.1 卷积概述
8.1.2 与全连接网络对比
任务 8.2：卷积运算
8.2.1 卷积核
8.2.2 填充和步幅
8.2.3 多通道卷积
8.2.4 池化层
任务 8.3：LeNet 实现物体分类
8.3.1 LeNet-开山之作
8.3.2 LeNet 进行物体分类
本章小结
本章习题
第 9 章 卷积神经网络经典结构
任务 9.1：训练深度卷积神经网络
9.1.1 AlexNet
9.1.2 图像增广
9.1.3 实现 AlexNet
任务 9.2：进一步增加网络的深度
9.2.1 VGG 系列
9.2.2 应用 VGG16 提取特征
任务 9.3：认识并行结构的卷积网络
9.3.1 GoogLeNet
9.3.2 Inception 结构块
9.3.3 1×1 卷积核
9.3.4 GoogLeNet 结构
任务 9.4：把网络深度提升至上百层
9.4.1 深度残差网络
9.4.2 稠密连接网络
本章小结
本章习题
第 10 章 循环神经网络
任务 10.1：对时序数据建模
10.1.1 时序数据
10.1.2 循环神经网络
任务 10.2：增加循环神经网络的记忆
10.2.1 长短期记忆网络原理
10.2.2 Keras 实现 LSTM
任务 10.3：优化长短期记忆网络
10.3.1 重置门与更新门
本章小结
本章习题

1.以操作实践为学习的切入点，而不是直接切入理论讲解；
2.以任务为驱动，贯穿知识内容；
3.充分考虑学习者的认知曲线，由浅入深，边讲边练边切入理论知识；
4.通过项目实训训练技能的综合使用能力。

人工智能 深度学习 神经网络 Keras