编辑推荐
《深度学习算法实践》以一位软件工程师在工作遇到的问题为主线，阐述了如何从软件工程的思维向算法思维转变，以及深度学习算法的概念与实践：比如在哪些场景下需要运用深度学习算法、如何将深度学习算法应用到任务中、提高工作效率？不仅如此，作者还结合程序员在工作中经常面临的产品需求，详细阐述了应该怎样从算法的角度来看待、分解需求，并结合经典的任务对深度学习算法做了清晰的分析：如何用RNN和CNN结合来提取深度文本特征？如何开始写一个Chatbot？如何在Chatbot中应用深度学习？强化学习为什么这么强大，它是*的吗？强化学习可以用在什么地方？对于图形领域的深度网络来说，是否有通用的提高模型精度的方法？如何利用深度学习来预测股票的趋势？YouTube是如何推荐影片的，我们如何将YouTube的深度学习经验应用在推荐系统中……这些经典的应用案例，能让有志于学习深度学习的读者，快速地理解核心所在，并顺利地上手实践。
内容简介
本书以一位软件工程师的转型故事为线索，讲述算法思维的建立及实践。第1章主要讲解如何从传统的工程思维转入算法思维，第2-5章分别阐述文本处理、视觉识别、Bot机器人、强化学习方向的算法实践，第6章案例阐述预测与推荐的应用。
作者简介
吴岸城
致力于深度学习在文本、图像领域的应用。曾中兴通讯、亚信联创担任研发经理、技术经理等职务，现任菱歌科技首席算法科学家一职。
目录
1 开始
1.1 从传统的软件工程思维转型
1.2 建立算法思维
1.2.1 算法的开发流程
1.2.2 做算法的步骤
1.2.3 英特的总结
1.3 观察！观察！观察！重要的事情说三遍
2 文本分析实战
2.1 第一个文本问题
2.1.1 邮件标题的预处理
2.1.2 选用算法
2.1.3 用CNN 做文本分类
2.2 情感分类
2.2.1 先分析需求
2.2.2 词法分析
2.2.3 机器学习
2.2.4 试试LSTM 模型
2.3 文本深度特征提取
2.3.1 词特征表示
2.3.2 句子特征表示
2.3.3 深度语义模型
3 做一个对话机器人
3.1 理解人类提问
3.2 答案的抽取和选择
3.3 蕴含关系
3.4 生成式对话模型（Generative Model ）
3.5 判断机器人说话的准确性
3.6 智能对话的总结和思考
4 视觉识别
4.1 从人脸识别开始
4.1.1 OpenCV 能做什么
4.1.2 检测精度的进化：Dlib
4.1.3 表情识别：Openface
4.2 深度卷积网络
4.2.1 CNN 的演化过程
4.2.2 深度卷积和更深的卷积
4.2.3 实现更深的卷积网络
4.2.4 残差网络的实现
4.2.5 十全大补药：通用的提高精度的方法
4.2.6 图像训练需要注意的地方
4.3 目标检测
4.3.1 用SSD 来实现目标检测应用
4.3.2 SSD 训练源码提示
4.4 视觉领域的应用
4.4.1 艺术风格画
4.4.2 看图说话：用文字描述一幅图像（BiRNN CNN）
4.4.3 CNN 的有趣应用：语音识别
5 强化学习实践
5.1 吃豆子和强化学习
5.2 马尔科夫决策过程
5.3 理解Q 网络
深度学习算法实践
5.4 模拟物理世界：OpenAI
5.5 实现一个DQN
5.5.1 DQN 代码实现
5.5.2 DQN 过程的图表化
5.6 关于强化学习的思考
5.6.1 强化学习的特殊性
5.6.2 知识的形成要素：记忆
5.6.3 终极理想：终身学习
6 预测与推荐
6.1 从Google 的感冒预测说起
6.2 股票预测（一）
6.2.1 股票业务整理
6.2.2 数据获取和准备
6.2.3 模型搭建
6.2.4 优化
6.2.5 后续
6.3 股票预测（二）
6.4 深度学习在推荐领域的应用：Lookalike 算法
6.4.1 调研
6.4.2 实现
6.4.3 结果
6.4.4 总结探讨
参考文献
