本书基于Python以及两个深度学习框架Keras与TensorFlow，讲述深度学习在实际项目中的应用。本书共10章，首先介绍线性回归模型、逻辑回归模型、Softmax多分类器，然后讲述全连接神经网络、神经网络模型的优化、卷积神经网络、循环神经网络，最后讨论自编码模型、对抗生成网络、深度强化学习。本书结合计算机视觉、自然语言处理、金融领域等方面的项目，系统讲述深度学习技术，可操作性强。

第一部分 基础知识
第 1章 线性回归模型
1.1 线性回归详解
1.1.1 数据集的构建
1.1.2 线性回归模型的构建
1.1.3 损失函数详解
1.2 梯度下降算法
1.3 求损失函数的最小值
1.4 线性回归代码实战
1.4.1 线性回归模型的构建与训练
1.4.2 复杂线性回归模型的构建
1.4.3 使用正则项防止过拟合
1.5 线性回归项目实战
1.5.1 波士顿房价数据集简介
1.5.2 数据集特征值的标准化
1.5.3 线性回归模型的构建与训练
1.6 本章小结
第 2章 逻辑回归模型
2.1 逻辑回归详解
2.1.1 Sigmoid函数
2.1.2 逻辑回归模型的工作原理
2.1.3 损失函数的构建
2.1.4 二元交叉熵函数的代码实战
2.1.5 求模型的最优参数
2.2 逻辑回归项目实战
2.2.1 泰坦尼克数据集简介
2.2.2 数据集的加载
2.2.3 模型的构建与训练
2.2.4 模型的评估
2.2.5 使用矩阵的方式加速模型的
训练
2.3 逻辑回归模型与神经网络的联系
2.4 本章小结
第3章 Softmax多分类器
3.1 Softmax函数详解
3.2 Softmax多分类器详解
3.2.1 独热编码详解
3.2.2 Softmax多分类器工作原理
3.2.3 多元交叉熵函数详解
3.2.4 多元交叉熵函数的代码实战
3.3 数据集的预处理
3.3.1 MNIST数据集详解
3.3.2 数据集特征值的归一化
3.3.3 图片的扁平化
3.3.4 标签值的独热编码处理
3.4 Softmax多分类器实战
3.4.1 MNIST数据集的加载与
预处理
3.4.2 Softmax多分类器模型的构建
3.4.3 Softmax多分类器模型的训练
3.5 本章小结
第二部分 进阶技术
第4章 全连接神经网络
4.1 深度学习与神经网络简介
4.2 全连接神经网络
4.3 激活函数
4.3.1 Sigmoid函数
4.3.2 tanh函数
4.3.3 ReLU函数
4.3.4 Softmax函数
4.4 模型参数的初始化
4.4.1 初始化为常数
4.4.2 随机初始化模型参数
4.4.3 模型参数初始化实战
4.5 模型的训练与损失函数
4.5.1 模型的训练过程
4.5.2 损失函数的定义
4.6 梯度下降算法
4.6.1 反向传播算法
4.6.2 3种梯度下降算法的
计算方式
4.6.3 梯度下降优化算法
4.7 MNIST手写数字识
……

全方位解读深度学习五大主流与前沿技术，理论与实战紧密结合，详解深度学习模型在计算机视觉、自然语言处理、金融、强化学习等众多领域的新进展和应用。