托威赫·贝索洛著的《深度学习》由经验丰富的机器学习专家撰写，旨在通过对机器学习、深度学习、基本概念和基础理论的介绍及实际案例的讲解，帮助你了解相关技术的用途，并能有效地应用其解决实际问题。
本书共11章，主要涵盖深度学习的数学理论基础，包括重要的统计学和线性代数的相关基本概念和知识的回顾；深度学习的各种典型模型，例如传统的单层感知器模型、多层感知器模型，以及卷积神经网络、循环神经网络、受限玻耳兹曼机、深度信念网络等一些较为复杂的模型；构建深度学习模型的实验设计方法以及实验过程中的特征选择方法；应用R语言进行机器学习和深度学习方法实践的案例，通过这些案例，你可以增强学习机器学习和深度学习的信心，提高对实际问题的解决能力。

托威赫·贝索洛，Taweh Beysolow Ⅱ机器学习科学家，现居美国，热衷于研究及应用机器学习方法解决实际问题。他本科毕业于圣约翰大学，获得经济学学士学位，后获得福特汉姆大学应用统计学硕士学位。他对一切与机器学习、数据科学、计量金融及经济学相关的内容都有着巨大的热情。

译者序
关于作者
关于技术审稿人
前言
第1章 深度学习简介
1.1 深度学习模型
1.1.1 单层感知器模型
1.1.2 多层感知器模型
1.1.3 卷积神经网络
1.1.4 循环神经网络
1.1.5 受限玻耳兹曼机
1.1.6 深度信念网络
1.2 其他
1.2.1 实验设计
1.2.2 特征选择
1.2.3 机器学习及深度学习应用
1.2.4 深度学习的历史
1.3 小结
第2章 数学知识回顾
2.1 统计学基本概念
2.1.1 概率
2.1.2 交与并
2.1.3 贝叶斯定理
2.1.4 随机变量
2.1.5 方差
2.1.6 标准差
2.1.7 可决系数
2.1.8 均方误差
2.2 线性代数
2.2.1 标量和向量
2.2.2 向量的特性
2.2.3 公理
2.2.4 子空间
2.2.5 矩阵
2.3 小结
第3章 优化及机器学习回顾
3.1 无约束优化
3.1.1 局部极小值
3.1.2 全局极小值
3.1.3 局部极小值的条件
3.2 近邻算法
3.3 机器学习方法：有监督学习
3.3.1 机器学习的历史
3.3.2 什么是算法
3.4 回归模型
3.5 选择合适的学习速率
3.5.1 牛顿法
3.5.2 Levenberg-Marquardt启发式方法
3.6 多重共线性
3.7 评价回归模型
3.8 分类
3.8.1 逻辑回归
3.8.2 受试者工作特征曲线
3.8.3 混淆矩阵
3.8.4 逻辑回归的局限性
3.8.5 支持向量机
3.9 机器学习方法：无监督学习
3.9.1 K-均值聚类
3.9.2 K-均值聚类的局限性
3.10 最大期望算法
3.11 决策树学习
3.12 集成方法以及其他启发式算法
3.13 贝叶斯学习
3.14 强化学习
3.15 小结
第4章 单层及多层感知器模型
4.1 单层感知器模型
4.1.1 训练感知器模型
4.1.2 WH算法
4.1.3 单层感知器模型的局限性
4.1.4 汇总统计结果
4.2 多层感知器模型
4.2.1 收敛得到全局*优解
4.2.2 MLP模型中的反向传播算法
4.2.3 MLP模型的局限性和讨论
4.2.4 应该使用几层隐含层，又应该有多少个神经元
4.3 小结
第5章 卷积神经网络
5.1 CNN的结构和特点
5.2 CNN的组成
5.2.1 卷积层
5.2.2 池化层
5.2.3 修正线性单元层
5.2.4 全连接层
5.2.5 损失层
5.3 参数调整
5.4 经典的CNN架构
5.5 正则化
5.6 小结
第6章 循环神经网络
6.1 完全循环网络
6.2 使用时间反向传播训练RNN
6.3 Elman神经网络
6.4 神经历史压缩器
6.5 长短期记忆网络
6.6 RNN里的结构化抑制
6.7 参数调优更新算法
6.8 RNN的实际案例：模式检测
6.9 小结
第7章 自编码器、受限玻耳兹曼机及深度信念网络
7.1 自编码器
7.2 受限玻耳兹曼机
7.3 深度信念网络
7.4 快速学习算法
7.5 小结
第8章 实验设计与启发
8.1 方差分析
8.2 F统计和F分布
8.3 PlackettBurman设计
8.4 空间填充
8.5 全因子
8.6 Halton、Faure和Sobol序列
8.7 A/B测试
8.7.1 简单双样本A/B测试
8.7.2 A/B测试中的β二项层次模型
8.8 特征、变量选择技术
8.8.1 后向与前向选择
8.8.2 主成分分析
8.8.3 因子分析
8.9 处理分类数据
8.9.1 因子水平编码
8.9.2 分类标签问题：太多水平值
8.9.3 典型相关分析
8.10 包裹式、过滤式及嵌入式算法
8.11 其他局部搜索算法
8.11.1 登山算法
8.11.2 遗传算法
8.11.3 模拟退火
8.11.4 蚁群优化算法
8.11.5 变邻域搜索算法
8.12 反应式搜索优化
8.12.1 反应式禁忌
8.12.2 固定禁忌搜索
8.12.3 反应式禁忌搜索
8.12.4 WalkSAT算法
8.12.5 K近邻
8.13 小结
第9章 软硬件建议
9.1 使用标准硬件处理数据
9.2 固态硬盘和硬盘驱动器
9.3 图形处理单元
9.4 中央处理器
9.5 随机存取存储器
9.6 主板
9.7 供电设备
9.8 机器学习软件的优化
9.9 小结
第10章 机器学习实例
10.1 问题1：资产价格预测
10.1.1 问题类型：有监督学习——回归
10.1.2 实验说明
10.1.3 特征选择
10.1.4 模型评价
10.2 问题2：速配
10.2.1 问题类型：分类
10.2.2 数据预处理：数据清洗和填充
10.2.3 特征选择
10.2.4 模型训练和评价
10.3 小结
第11章 深度学习及其他实例
11.1 自编码器
11.2 卷积神经网络
11.2.1 预处理
11.2.2 模型构建和训练
11.3 协同过滤
11.4 小结
结束语