第1章 绪论

1.1 人工智能

1.2 机器学习

1.2.1 监督学习

1.2.2 非监督学习

1.2.3 半监督学习

1.3 深度学习

1.3.1 卷积神经网络

1.3.2 循环神经网络

1.4 实现工具

1.4.1 Python

1.4.2 TensorFlow

第2章 Python基础

2.1 Python简介

2.1.1 概述

2.1.2 Python的特点

2.1.3 Python的版本

2.2 Python的安装

2.2.1 Python官网下载安装

2.2.2 Anaconda的安装

2.3 Spyder编辑器

2.3.1 Spyder界面

2.3.2 Spyder快捷键

2.4 Python基础知识

2.4.1 基本语法

2.4.2 基本数据类型和运算

2.4.3 列表、元组和字符串

2.4.4 字典和集合

2.4.5 分支和循环

2.4.6 函数和类

2.4.7 模块

第3章 Python基础库

3.1 Numpy库

3.1.1 创建数组

3.1.2 ndarray类

3.1.3 数组操作

3.1.4 形状操作

3.2 Matplotlib库

3.2.1 快速绘图

3.2.2 绘制多轴图

3.2.3 绘制3D图

3.3 Scipy库

3.3.1 scipy.io

3.3.2 scipy.linalg

3.3.3 scipy.fftpack

3.3.4 scipy.optirnize

3.3.5 scipy.interpolate

3.3.6 scipy.stats

第4章 TensorFlow基础

4.1 概述

4.2 TensorFlow的安装

4.3 TensorFlow基本概念

4.3.1 Graph和Session

4.3.2 placeholder

4.3.3 tensor

4.3.4 Variable

4.3.5 fetch和feed

4.4 MNIST

4.4.1 MNIST简介

4.4.2 MNIST解析

第5章 神经网络基础

5.1 神经网络概述

5.1.1 神经网络常用术语

5.1.2 神经网络模型

5.1.3 神经网络的运作

5.1.4 神经网络算法的特点

5.2 神经元模型

5.3 激活函数

5.3.1 sigmoid函数

5.3.2 tanh函数

5.3.3 ReLU函数

5.3.4 softmax函数

5.4 损失函数

5.4.1 均方差函数

5.4.2 交叉熵函数

5.5 梯度下降算法

5.5.1 梯度下降算法推导

5.5.2 梯度下降算法种类

5.6 BP算法

5.6.1 BP网络简介

5.6.2 BP算法流程

5.7 仿真实例

第6章 神经网络基础应用

6.1 感知机

6.1.1 感知机网络结构

6.1.2 感知机学习规则

6.1.3 感知机网络训练

6.1.4 仿真实例

6.2 线性回归

6.2.1 线性回归理论

6.2.2 仿真实例

6.3 逻辑回归

6.3.1 逻辑回归理论

6.3.2 仿真实例

第7章 卷积神经网络

7.1 概述

7.2 卷积神经网络结构

7.2.1 卷积层

7.2.2 池化层

7.2.3 全连接层

7.2.4 Dropout层

7.3 训练过程

7.4 卷积神经网络经典模型

7.4.1 LeNet-5模型

7.4.2 AlexNet模型

7.5 仿真实例

第8章 循环神经网络

8.1 循环神经网络概述

8.1.1 循环神经网络结构

8.1.2 循环神经网络前向传播

8.1.3 循环神经网络训练算法

8.2 长短时记忆（LSTM）网络

8.2.1 LSTM网络结构

8.2.2 LSTM前向计算

8.2.3 LSTM网络训练算法

8.2.4 LSTM网络程序实现

8.3 循环神经网络的变种

8.3.1 双向循环神经网络

8.3.2 深层循环神经网络

8.4 仿真实例

附录A Python主要函数

附录B TensorFlow主要函数

参考文献