章 数学基础
1.1 微积分基础
1.1.1 极限与积分
1.1.2 导数和二阶导数
1.1.3 方向导数和梯度
1.1.4 凸函数和极值
1.1.5 最优化方法
1.2 概率与统计基础
1.2.1 古典概率
1.2.2 常用概率分布
1.2.3 贝叶斯公式
1.2.4 假设检验
1.3 线性代数基础
1.3.1 矩阵和向量
1.3.2 矩阵乘法
1.3.3 矩阵的特征值和特征向量
习 题
第2章 Python基础
2.1 Python概论
2.1.1 Python简介
2.1.2 Python入门
2.2 NumPy函数库基础
2.2.1 NumPy简介
2.2.2 NumPy入门
2.3 Matplotlib函数库基础
2.3.1 Matplotlib简介
2.3.2 Matplotlib入门
2.4 Pandas函数库基础
2.4.1 Pandas简介
2.4.2 Pandas入门
2.5 Sklearn函数库基础
2.5.1 Sklearn简介
2.5.2 Sklearn入门
习 题
第3章 机器学习
3.1 机器学习概论
3.1.1 监督学习概述
3.1.2 无监督学习概述
3.1.3 强化学习概述
3.2 监督学习
3.2.1 回归与分类
3.2.2 决策树
3.2.3 神经网络
3.2.4 朴素贝叶斯
3.2.5 支持向量机
3.3 无监督学习
3.3.1 K Means算法
3.3.2 降 维
习 题
第4章 深度学习
4.1 深度学习概论
4.1.1 深度学习发展历程
4.1.2 深度学习的应用
4.1.3 深度学习框架介绍
4.2 深度学习网络结构
4.2.1 单层神经网络
4.2.2 浅层神经网络
4.2.3 深层神经网络
4.3 卷积网络
4.3.1 卷积神经网络简介
4.3.2 卷积神经网络结构
4.3.3 经典卷积网络模型
4.4 循环和递归网络
4.4.1 循环神经网络
4.4.2 编码器与解码器
4.4.3 递归神经网络
4.4.4 长短期记忆
深度学习
工程师认证初级教程
4.5 深度生成模型
4.5.1 玻耳兹曼机
4.5.2 深度信念网络
4.5.3 有向生成网络
4.5.4 生成随机网络
习 题
第5章 深度学习平台实战
5.1 深度学习平台介绍及环境搭建
5.1.1 飞桨介绍
5.1.2 飞桨环境搭建
5.2 飞桨入门
5.2.1 数据预处理的常规方法
5.2.2 模型概览
5.2.3 训练模型
5.2.4 应用模型
5.3 飞桨典型案例
5.3.1 手写数字识别
5.3.2 图像分类
5.3.3 词向量
5.3.4 情感分析
5.3.5 语义角色标注
习 题
第6章 深度学习行业应用案例介绍
6.1 深度学习在计算机视觉中的应用
6.1.1 概述及现状
6.1.2 图像分类
6.1.3 目标检测
6.1.4 图像分割
6.2 深度学习在自然语言处理中的应用
6.2.1 概述及现状
6.2.2 机器翻译
6.2.3 问答系统
6.2.4 文本情感分析
6.3 深度学习在推荐系统中的应用
6.3.1 概述及现状
6.3.2 视频推荐
6.3.3 CTR预估
6.4 深度学习在语音技术中的应用
6.4.1 概述及现状
6.4.2 语音识别
6.4.3 语音合成
习 题
参考文献

本书作为深度学习工程师初级认证官方教材，将深度学习理论基础与平台操作有机结合，从算法到实战，共分6章，~4章主要介绍专业知识，包括数学基础、Python基础、机器学习和深度学习等基础知识；第5章面向工程实战能力的训练，介绍深度学习开发平台，特别是飞桨开发平台的实战案例；第6章面向业务理解与实践能力的提升，介绍深度学习在各个行业的应用案例。本书适合人工智能领域的工程师、研发人员，在校大学生、研究生，跨领域转AI从业者，以及对深度学习人工智能感兴趣的读者使用。