深度學習與自然計算

第1章 概述
1.1 人工智慧
1.1.1 人工智慧發展簡史
1.1.2 人工智慧三大學派
1.2 深度學習
1.3 自然計算
1.4 本章小結
參考文獻

第2章 神經網路基礎
2.1 神經網路簡介
2.1.1 神經網路的概念
2.1.2 神經網路的發展
2.1.3 神經網路的應用
2.2 神經網路的基本模型
2.2.1 M-P模型
2.2.2 感知器模型
2.2.3 BP神經網路模型
2.3 神經網路常見學習規則
2.3.1 誤差修正學習規則
2.3.2 赫布學習規則
2.3.3 小均方學習規則
2.3.4 競爭學習規則
2.3.5 隨機學習規則
2.4 基於梯度下降的優化算法
2.4.1 梯度下降法
2.4.2 隨機梯度下降法
2.4.3 小批量梯度下降法
2.5 本章小結
2.6 章節習題
參考文獻

第3章 卷積神經網路
3.1 卷積神經網路簡介
3.1.1 卷積神經網路的發展歷程
3.1.2 卷積神經網路的基本結構
3.1.3 前饋運算與回饋運算
3.2 卷積神經網路中的各層網路及操作
3.2.1 卷積層
3.2.2 池化層
3.2.3 啟動函數層
3.2.4 全連接層
3.2.5 損失函數
3.3 卷積神經網路經典結構
3.3.1 LeNet模型
3.3.2 AlexNet模型
3.3.3 Network-In-Network模型
3.3.4 VGG-Net模型
3.3.5 GoogLeNet模型
3.4 本章小結
3.5 章節習題
參考文獻

第4章 迴圈神經網路
4.1 迴圈神經網路簡介
4.1.1 迴圈神經網路的結構
4.1.2 迴圈神經網路的輸入層
4.1.3 迴圈神經網路的輸出層
4.1.4 迴圈神經網路的隱含層
4.2 迴圈神經網路的算法
4.2.1 RNN的前向傳播算法
4.2.2 隨時間反向傳播算法

第5章 生成對抗網路
第6章 孿生神經網路
第7章 遺傳算法
第8章 差分進化算法
第9章 粒子群算法
第10章 協同演化算法
第11章 多目標優化算法