第 1 章 绪 论 1. 1 深度学习的前世今生 1. 2 模型复杂度的提升 1. 3 深度学习的名人轶事 第 2 章 深度学习中的线性代数 2. 1 标量、 向量、 矩阵与张量 2. 2 矩阵的运算 2. 3 单位矩阵与逆矩阵 2. 4 线性相关、 生成子空间和范数 2. 5 一些特殊类型的矩阵 2. 6 特征分解 2. 7 奇异值分解 2. 8 Moore-Penrose 伪逆 2. 9 迹运算 2. 10 行列式 2. 11 例子: 主成分分析 第 3 章 概率与信息论 3. 1 为什么要使用概率 3. 2 随机变量 3. 3 概率分布 3. 4 边缘概率 3. 5 条件概率 3. 6 条件概率的链式法则 3. 7 条件独立性 3. 8 期望、 方差和协方差 3. 9 常用概率分布 3. 10 常用函数及性质3. 11 贝叶斯规则 3. 12 信息论中的交叉熵 3. 13 结构化概率模型 第 4 章 数值计算 4. 1 上溢和下溢 4. 2 病态条件 4. 3 基于梯度的优化方法 4. 4 约束优化 4. 5 实例: 线性最小二乘 第 5 章 机器学习基础 5. 1 什么是机器学习算法 5. 2 模型性能的度量 5. 3 过拟合与欠拟合 5. 4 超参数和交叉验证 5. 5 最大似然估计 5. 6 什么是随机梯度下降 5. 7 贝叶斯统计 5. 8 监督学习算法 5. 9 无监督学习算法 5. 10 促使深度学习发展的挑战 第 6 章 深度前馈网络 6. 1 什么是 “前馈” 6. 2 隐藏层 6. 3 输出单元 6. 4 万能近似性质 6. 5 反向传播 第 7 章 深度学习中的正则化 7. 1 参数范数惩罚 7. 2 数据集增强 7. 3 噪声鲁棒性 7. 4 半监督学习 7. 5 多任务学习 7. 6 提前终止 7. 7 参数绑定和参数共享 7. 8 稀疏表示 7. 9 Bagging 和其他集成方法 7. 10 Dropout 7. 11 对抗训练 第 8 章 深度模型中的优化 8. 1 学习和纯优化有什么不同 8. 2 小批量算法 8. 3 基本算法 8. 4 参数初始化策略 8. 5 自适应学习率算法 8. 6 二阶近似方法 8. 7 一些优化策略 第 9 章 卷积神经网络 9. 1 卷积运算 9. 2 为什么要使用卷积运算 9. 3 池化 9. 4 基本卷积函数的变体 9. 5 卷积核的初始化 第 10 章 循环神经网络 10. 1 展开计算图 10. 2 循环神经网络 10. 3 双向 RNN 10. 4 基于编码-解码的序列到序列架构 10. 5 深度循环网络 10. 6 递归神经网络 10. 7 长短期记忆网络 10. 8 门控循环单元 10. 9 截断梯度 第 11 章 实践方法论 11. 1 设计流程 11. 2 更多的性能度量方法 11. 3 默认的基准模型 11. 4 要不要收集更多数据 11. 5 超参数的调节 11. 6 模型调试的重要性 第 12 章 应 用 12. 1 大规模深度学习 12. 2 计算机视觉中的预处理 12. 3 语音识别 12. 4 自然语言处理 12. 5 推荐系统 12. 6 知识问答系统 第 13 章 初识大语言模型 13. 1 大语言模型的背景 13. 2 大语言模型的重要性 13. 3 大语言模型的应用场景 13. 4 大语言模型和传统方法的区别 第 14 章 大语言模型原理 14. 1 Transformer 架构 14. 2 预训练 14. 3 微调 14. 4 自回归训练 14. 5 掩码语言模型 第 15 章 常见的大语言模型 15. 1 GPT 系列模型 15. 2 BERT 15. 3 XLNet 第 16 章 大语言模型应用———自然语言生成 16. 1 自动文本生成 16. 2 对话系统和聊天机器人 16. 3 代码和技术文档生成 16. 4 创意内容生成 16. 5 国产优秀大语言模型———文心一言 16. 6 国产优秀大语言模型———讯飞星火认知大模型 后 记