前言
第1章 绪论
1.1 人工智能
1.2 机器学习
1.3 深度学习
第2章 神经网络
2.1 神经元
2.2 损失函数
2.3 激活函数
2.4 参数学习
2.5 梯度下降法
2.6 全连接神经网络
2.7 BP神经网络
2.8 优化方案
2.9 注意力机制
2.10 本章小结
第3章 深度神经网络
3.1 卷积神经网络
3.2 简单循环神经网络
3.3 深层循环神经网络
3.4 本章小结
第4章 基于启发知识的学习方法
4.1 兄弟学习
4.2 顿悟学习
4.3 本章小结
第5章 极限学习机
5.1 引言
5.2 最小二乘拟和及Moore-Penrose广义逆
5.3 标准SLFN数学模型
5.4 ELM学习算法
5.5 ELM的特征映射和特征空间
5.6 ELM、RVFL及其一般化结构
5.7 ELM的理论基础
5.8 本章小结
第6章 基于深度学习的网站智能信息挖掘
6.1 引言
6.2 网站信息的计算机自动获取
6.3 基于深度学习的网站相似度研究
6.4 网站内容丰富度研究
6.5 面向任务的兴趣推送
6.6 本章小结
第7章 基于卷积神经网络的甲骨文异体字识别
7.1 引言
7.2 相关研究
7.3 符号定义及概念
7.4 甲骨文异体字识别方法
7.5 实验及分析
7.6 总结与展望
第8章 基于LSTM 的小说情节高潮识别
8.1 引言
8.2 相关概念
8.3 情节高潮识别方法
8.4 算法实现
8.5 实验及分析
8.6 总结与展望
第9章 大规模复杂异质图动态的构建
9.1 引言
9.2 大规模复杂异质图举例
9.3 国内外现状及发展动态
9.4 大规模复杂异质图学习的研究内容
9.5 本章小结
第10章 基于深度学习的大规模复杂异质图动态分析
10.1 复杂异质动态图数据的采集与存储管理
10.2 复杂异质动态图的构建与表示
10.3 动态图的演变模式分析
10.4 大规模复杂异质图动态变化的优化
10.5 大规模复杂异质图学习的实现
10.6 大规模复杂异质图学习算法
10.7 本章小结
参考文献

本书综合了大量国内外的最新资料和作者的研究成果，以应用实践中的若干问题为研究对象，探索了基于深度神经网络的分析和建模过程，列举了深度神经网络在若干社会信息挖掘的应用以最新资料案例为例进行社会信息分析和模型构建，给出了实践指导策略;给出了不同机器学习方法的特点与适用场景，并以实际应用场景为例，分析了深度学习的应用。
本书的读者可以是对深度神经网络应用感兴趣的专业人士，或是信息挖掘研究中对人工智能技术感兴趣的社会人士，也可作为计算机应用方向本科生及研究生的教材或参考书。