深度学习商业应用开发指南：从对话机器人到医疗图像处理

　　深度学习算法的一个关键特性是能够以少的监督学习大量数据，这与通常需要较少（标记）数据的浅层模型不同。本书将探索一些示例，例如使用完全卷积神经网络和残差神经网络进行视频预测和图像分割，这个应用已经在ImageNet图像识别竞赛中取得了较佳的性能。同时，通过这些技术的应用，读者还将学习到更多的图像识别技术和认识到一些活跃的初创公司。 通过本书中的示例，读者还将探索深度学习算法相对于其他传统（浅层）机器学习算法的优势；学习Word2vec、skip thought vectors和Item2Vec等技术；通过学习嵌入式语言翻译模型练习使用长短期记忆网络单元和Sequence 2 Sequence模型。 此外，本书还将带领读者了解深度学习业务中的一些重要发现和影响，以及采用该技术的主要公司和初创公司。本书将介绍一些训练深度学习模型的框架、关键方法和微调模型的技巧。 书中的实操编码示例在Keras中，使用Python 3.6完成。

　　阿曼多·维埃拉（Armando Vieira）于1997年在葡萄牙科英布拉大学（University of Coimbra）获得物理学博士学位，然后开始从事人工神经网络工作。 他于2003年率先开展了深度神经网络研究，目前在从事图像处理、药物发现、信用评分及风险分析的公司和初创团队中担任高级数据科学顾问。 他曾参与了许多与人工智能相关的商业活动，并且是Alea.ai 的创始人。 读者可以在http：//armando.lidinwise.com 上找到更多关于作者的信息。 伯纳特·里贝罗（Bernardete Ribeiro）是葡萄牙科英布拉大学（University of Coimbra）的教授，主要教授编程、模式识别、商业智能和其他相关课程。 她获得了科英布拉大学信息学工程（CISUC）博士学位，并且是CISUC的特许教授。 同时，她还担任CISUC信息与系统中心的主任。 她的主要研究方向包括机器学习、模式识别、金融工程、文本分类和信号处理，以及它的在相关领域的广泛应用。 她是人工神经网络实验室（LARN）的创始人，并且担任该实验室主任超过20年。 伯纳德特（Bernardete）不但是葡萄牙模式识别协会（APRP）的主席，而且还是国际模式识别协会（IAPR）理事会的成员。 译者简介张向东，1969年生于宁夏中卫， 1992年获得清华大学电子系通信专业学士学位； 1995年获得中科院声学所理学硕士学位，师从俞铁城。俞先生早在1972年就开始在计算机上研究语音识别，是中国较早的语音识别专家之一。张向东曾先后担任中科院声学所语音识别研究室副主任、Intel中国研究中心高级研究员、歌尔声学（北京）技术副总、歌尔股份投资总监、歌尔创新研究院院长，现任苏州缪斯谈谈 CTO及北航兼职教授、中国声学学会理事、中国计算机学会（CCF）人机对话TF主席。

第一部分 背景和基础知识

第1章 绪 论

1.1 范围和动机

1.2 深度学习领域的挑战

1.3 目标受众

1.4 本书结构

第2章 深度学习概述

2.1 冬去春来

2.2 为什么DL不同? 

2.2.1 机器时代

2.2.2 对DL的一些批评

2.3 资 源

2.3.1 图 书

2.3.2 简 讯

2.3.3 博 客

2.3.4 在线视频和课程

2.3.5 播 客

2.3.6 其他网络资源

2.3.7 从一些不错的地方开始学习

2.3.8 会 议

2.3.9 其他资源

2.3.10 DL框架

2.3.11 DL即服务(DLAS,DL As a Service)

2.4 最近的发展

2.4.1 2016年

2.4.2 2017年

2.4.3 演化算法

2.4.4 创造力

第3章 深度神经网络模型

3.1 神经网络简史

3.1.1 多层感知器

3.2 什么是深度神经网络

3.3 玻耳兹曼机器

3.3.1 受限玻耳兹曼机器

3.3.2 深度信念网络

3.3.3 深度玻耳兹曼机器

3.4 卷积神经网络

3.5 深度自动编码器

3.6 递归神经网络

3.6.1 强化学习的RNN

3.6.2 LSTM

3.7 生成模型

3.7.1 变分自动编码器

3.7.2 生成性对抗网络

第二部分 深度学习:核心应用

第4章 图像处理

4.1 CNN 图像处理模型

4.2 ImageNet及其他

4.3 图像分割

4.4 图像标题

4.5 视觉问答(VQA)

4.6 视频分析

4.7 GAN 和生成模型

4.8 其他应用

4.8.1 卫星图像

4.9 新闻和公司

4.10 第三方工具和API

第5章 自然语言处理及语音

5.1 解 析

5.2 分布式表示

5.3 知识表示与知识图谱

5.4 自然语言翻译

5.5 其他应用

5.6 多模态学习与问答

5.7 语音识别

5.8 新闻与资源

5.9 总结与思考展望

第6章 强化学习和机器人

6.1 什么是强化学习

6.2 传统的RL

6.3 DNN 强化学习

6.3.1 确定性政策梯度

6.3.2 深层确定性政策梯度

6.3.3 深度Q 学习

6.3.4 Actor Critic算法

6.4 机器人与控制

6.5 自动驾驶汽车

6.6 会话机器人(聊天机器人)

6.7 新闻聊天机器人

6.8 应 用

6.9 展 望

6.10 自动驾驶汽车的相关新闻

第三部分 深度学习:商务应用

第7章 推荐算法和电子商务

7.1 在线用户行为

7.2 重新定向

7.3 推荐算法

7.3.1 协同过滤器

7.3.2 RS的深度学习算法

7.3.3 Item2Vec

7.4 推荐算法的应用

7.5 未来发展方向

第8章 游戏和艺术

8.1 早期的国际象棋

8.2 从国际象棋到围棋

8.3 其他游戏和新闻

8.3.1 Doom

8.3.2 Dota

8.3.3 其他应用

8.4 人造角色

8.5 艺术中的应用

8.6 音 乐

8.7 多模态学习

8.8 其他应用

第9章 其他应用

9.1 异常检测与欺诈

9.1.1 欺诈预防

9.1.2 网上评论的欺诈行为

9.2 安保及防范

9.3 预 测

9.3.1 交易和对冲基金

9.4 医学和生物医学

9.4.1 图像处理医学图像

9.4.2 生物组学

9.4.3 药物发现

9.5 其他应用

9.5.1 用户体验

9.5.2 大数据

9.6 未 来

第四部分 机遇与展望

第10章 深度学习技术的商务影响

10.1 深度学习机会

10.2 计算机视觉

10.3 AI助手

10.4 法 律

10.5 放射学和医学图像

10.6 自动驾驶汽车

10.7 数据中心

10.8 利用DL建立竞争优势

10.9 人 才

10.10 光有准确度还不够

10.11 风 险

10.12 当个人助理变得比我们好

第11章 新近研究和未来方向

11.1 研 究

11.1.1 注意机制

11.1.2 多模式学习

11.1.3 一次性学习

11.1.4 强化学习和推理

11.1.5 生成神经网络

11.1.6 生成性对抗神经网络

11.1.7 知识转移和学会学习

11.2 何时不使用深度学习

11.3 新 闻

11.4 人工智能在社会中的伦理和启示

11.5 AI中的隐私和公共政策

11.6 初创公司和风险投资

11.7 未 来

11.7.1 用较少的数据学习

11.7.2 转移学习

11.7.3 多任务学习

11.7.4 对抗性学习

11.7.5 少量学习

11.7.6 元学习

11.7.7 神经推理

附录A 用Keras训练DNN

A.1 Keras框架

A.1.1 在Linux中安装Keras/

A.1.2 模 型

A.1.3 核心层

A.1.4 损失函数

A.1.5 培训和测试

A.1.6 回 调

A.1.7 编译和拟合

A.2 深度和宽度模型

A.3 用于图像分割的FCN

A.3.1 序列到序列

A.4 多层感知器的反向传播

参考文献