人工智能中的深度結構學習

譯者序
1 引言
1.1 如何訓練深度結構
1.2 中間層表示：在不同的任務中共享特征和抽象
1.3 學習人工智能的必經之路
1.4 本書大綱
2 深度結構的理論優勢
2.1 計算復雜性
2.2 一些非正式的論證
3 局部與非局部泛化性
3.1 局部模板匹配的局限性
3.2 學習分布式表示
4 具有深度結構的神經網絡
4.1 多層神經網絡
4.2 訓練深度神經網絡的挑戰
4.3 深度結構的無監督學習
4.4 深度生成結構
4.5 卷積神經網絡
4.6 自動編碼器
5 能量模型和玻爾茲曼機
5.1 能量模型和專家乘積系統
5.2 玻爾茲曼機
5.3 受限玻爾茲曼機
5.4 對比散度
6 深層結構的逐層貪心訓練
6.1 深度置信網絡的逐層訓練
6.2 堆疊自動編碼器訓練
6.3 半監督與部分監督訓練
7 受限玻爾茲曼機和自動編碼器的變體
7.1 自動編碼器和受限玻爾茲曼機的稀疏化表示
7.2 降噪自動編碼器
7.3 層內連接
7.4 條件RBM和時序RBM
7.5 分解式RBM
7.6 受限玻爾茲曼機和對比散度的推廣
8 DBN各層聯合優化中的隨機變分邊界
8.1 將RBM展開為無限有向置信網絡
8.2 逐層貪心訓練的變分證明
8.3 所有層的聯合無監督訓練
9 展望
9.1 全局優化策略
9.2 無監督學習的重要性
9.3 開放的問題
10 總結
致謝
參考文獻