1 开始

1.1 从传统的软件工程思维转型

1.2 建立算法思维

1.2.1 算法的开发流程

1.2.2 做算法的步骤

1.2.3 英特的总结

1.3 观察！观察！观察！重要的事情说三遍

2 文本分析实战

2.1 第一个文本问题

2.1.1 邮件标题的预处理

2.1.2 选用算法

2.1.3 用CNN做文本分类

2.2 情感分类

2.2.1 先分析需求

2.2.2 词法分析

2.2.3 机器学习

2.2.4 试试LSTM模型

2.3 文本深度特征提取

2.3.1 词特征表示

2.3.2 句子特征表示

2.3.3 深度语义模型

3 做一个对话机器人

3.1 理解人类提问

3.2 答案的抽取和选择

3.3 蕴含关系

3.4 生成式对话模型（Generative Model）

3.5 判断机器人说话的准确性

3.6 智能对话的总结和思考

4 视觉识别

4.1 从人脸识别开始

4.1.1 OpenCV能做什么

4.1.2 检测精度的进化：Dlib

4.1.3 表情识别：Openface

4.2 深度卷积网络

4.2.1 CNN的演化过程

4.2.2 深度卷积和更深的卷积

4.2.3 实现更深的卷积网络

4.2.4 残差网络的实现

4.2.5 十全大补药：通用的提高精度的方法

4.2.6 图像训练需要注意的地方

4.3 目标检测

4.3.1 用SSD来实现目标检测应用

4.3.2 SSD训练源码提示

4.4 视觉领域的应用

4.4.1 艺术风格画

4.4.2 看图说话：用文字描述一幅图像（BiRNN+CNN）

4.4.3 CNN的有趣应用：语音识别

5 强化学习实践

5.1 吃豆子和强化学习

5.2 马尔科夫决策过程

5.3 理解Q网络

5.4 模拟物理世界：OpenAI

5.5 实现一个DQN

5.5.1 DQN代码实现

5.5.2 DQN过程的图表化

5.6 关于强化学习的思考

5.6.1 强化学习的特殊性

5.6.2 知识的形成要素：记忆

5.6.3 终极理想：终身学习

6 预测与推荐

6.1 从Google的感冒预测说起

6.2 股票预测（一）

6.2.1 股票业务整理

6.2.2 数据获取和准备

6.2.3 模型搭建

6.2.4 优化

6.2.5 后续

6.3 股票预测（二）

6.4 深度学习在推荐领域的应用：Lookalike算法

6.4.1 调研

6.4.2 实现

6.4.3 结果

6.4.4 总结探讨

参考文献