《深度学习：Java语言实现》源码

本书是一本实战型的深度学习和机器学习宝典，十分适合Java的深度学习入门者。本书涵盖了深度学习的主要成熟算法，一步步地剖析算法背后的数学原理，并提供大量通俗易懂的代码加以说明。同时，为了能更好地指导实践，作者生动地阐述了很多宝贵的工程经验和技术直觉。最后，本书介绍了该领域最新的研究和应用成果，还包括一些实用的网络资源及研究方法。总之，本书值得深度学习爱好者细细品味。

最令人吃惊的是，本书作者Yusuke Sugomori竟然是一位十分年轻的“老司机”，拥有丰富的工程经验。从本书内容中，我们能隐约领悟到作者探索深度学习的捷径，就是“敢于实践，善于实践，快速实践！”。因此，我们也建议读者从最基本的部分就边学边做，不断深入理解深度学习的内涵。
本书的译者分工如下，陆明负责第1、2、6章，王磊负责第3、4、5章，陈澎负责前言、附录及第7、8章，并负责全书的审校工作。感谢机械工业出版社的编辑给予的帮助！
特别感谢我即将出生的孩子，一直支持我的妻子和父母，感谢合作译者陆明和王磊的家人！

“轻鞭一挥芳径去,漫闻花儿断续长”，我们有理由对人工智能的未来怀有更无限的憧憬！

封面图

目录

• 译者序
• 前言
• 第1章深度学习概述
• 11人工智能的变迁
• 111人工智能的定义
• 112人工智能曾经的辉煌
• 113机器学习的演化
• 114机器学习的局限性
• 12人与机器的区分因素
• 13人工智能与深度学习
• 14小结
• 第2章机器学习算法——为深度学习做准备
• 21入门
• 22机器学习中的训练需求
• 23监督学习和无监督学习
• 231支持向量机
• 232隐马尔可夫模型
• 233神经网络
• 234逻辑回归
• 235增强学习
• 24机器学习应用流程
• 25神经网络的理论和算法
• 251单层感知器
• 252逻辑回归
• 253多类逻辑回归
• 254多层感知器
• 26小结
• 第3章深度信念网络与栈式去
• 噪自编码器
• 31神经网络的没落
• 32神经网络的复兴
• 321深度学习的进化——突破是什么
• 322预训练的深度学习
• 33深度学习算法
• 331限制玻尔兹曼机
• 332深度信念网络
• 333去噪自编码器
• 334栈式去噪自编码器
• 34小结
• 第4章dropout和卷积神经网络
• 41没有预训练的深度学习算法
• 42dropout
• 43卷积神经网络
• 431卷积
• 432池化
• 433公式和实现
• 44小结
• 第5章探索Java深度学习库——DL4J、ND4J以及其他
• 51从零实现与使用库/框架
• 52DL4J和 ND4J 的介绍
• 53使用 ND4J 实现
• 54使用DL4J实现
• 541设置
• 542构建
• 543CNNMnistExamplejava/LenetMnistExamplejava
• 544学习速率的优化
• 55小结
• 第6章实践应用——递归神经网络等
• 61深度学习热点
• 611图像识别
• 612自然语言处理
• 62深度学习的挑战
• 63最大化深度学习概率和能力的方法
• 631面向领域的方法
• 632面向分解的方法
• 633面向输出的方法
• 64小结
• 第7章其他重要的深度
• 学习库
• 71Theano
• 72TensorFlow
• 73Caffe
• 74小结
• 第8章未来展望
• 81深度学习的爆炸新闻
• 82下一步的展望
• 83对深度学习有用的新闻资源
• 84小结