人工智能以及深度学习正在改变着人们对软件的理解，使得计算机更加智能。深度学习算法应用非常广泛，远远超出数据科学的范畴。本书首先介绍了一些机器学习算法的基础，随后带领你进入一个引人入胜的机器智能世界，你将领略到各种神经网络的魅力及挑战。本书将使用基于DL4J的Java库，带你一起攻克图像处理、语音识别和自然语言处理等领域中的各种问题。同时，你也会接触到当今最重要的其他开发平台，如Theano、TensorFlow和Caffe。通过本书的学习，你将具备用Java攻克深度学习问题的能力，并为这个领域贡献自己的力量。
通过阅读本书，你将：
透彻理解机器学习及深度学习算法
用代码具体实现各种深度学习算法
用最流行的深度学习框架探究神经网络
深入了解深度信念网络及栈式去噪自编码器算法
探索dropout及卷积神经网络的深度学习算法
庖丁解牛DL4J开发库及工程应用
提升深度学习算法及开发框架的工程级部署策略
了解Theano、TensorFlow和Caffe开发框架

前：
本书是一本面向初学者的深度学习和机器学习实战宝典。作者融合自己丰富的工程实践经验，详细阐述机器学习和深度学习的核心概念、算法和实现，并深入探讨如何将深度学习算法应用到研究和产业中去，一步步地剖析算法背后的数学原理，提供大量简洁的代码实现，助你从零基础开始编程实现深度学习算法。
全书共8章，第1章介绍深度学习的由来及发展；第2章介绍与深度学习相关的机器学习算法及实现；第3章介绍深度学习经典算法的原理与实现，包括深度信念网络（DBN）和栈式去噪自编码器（SDA）；第4章集中介绍Dropout和CNN的相关算法及实现；第5章介绍如何使用 ND4J 和 DL4J 库来实现深度学习模型；第6章通过实际应用场景，深入讨论如何应用深度学习算法；第7章介绍其他深度学习框架，包括Teano、TensorFlow和Caffe等；第8章重点讨论人工智能和深度学习的未来和发展。

后：
巣笼悠辅（Yusuke Sugomori） 是一位有信息工程背景的富有创造力的技术专家，目前是MICIN联合创始人和首席技术官，东京大学客座讲师。当他攻读研究生的时候，就与同事共同建立了Gunosy，主要是利用机器学习和基于网页的数据挖掘技术判断用户兴趣，并提供与之匹配的每日新闻推荐。这个基于算法的应用程序从发布起就引起了广泛关注，到目前累计用户已超过1000万。Yusuke在2013年加入日本最大的广告公司Dentsu，从事数字广告、智能手机应用开发及大数据分析等工作。Yusuke被日本《Web Designing》杂志评为“新一代”创新八强之一。

目前，人工智能技术举世瞩目，深度学习也引起人们广泛关注。在实践上，深度学习推动了人工智能革命性进步，其相关算法已经应用到众多领域。然而，这种“革命性”的技术，常被认为非常复杂，让人敬而远之。而实际上，深度学习的理论和概念并不晦涩难懂。本书将一步步地介绍相关理论和公式，并引导读者从零开始完成编码实现。
本书内容
第1章：介绍深度学习的演化过程。
第2章：介绍与深度学习相关的机器学习算法。
第3章：介绍深度信念网络与栈式去噪自编码器。
第4章：集中介绍dropout和CNN的相关算法。
第5章：重点介绍深度学习库DL4J及实践经验。
第6章：面向实战，实践深度学习算法和相关Java库的工程开发。
第7章：广泛介绍Teano、TensorFlow和Caffe 等深度学习框架。
第8章：介绍深度学习的最新动态及相关资源。
本书的使用要求
Java 8或以上（支持lambda 表达式），DeepLearning4J 04或以上版本的Java库。
目标读者
本书是为那些想了解深度学习算法并期望应用到实践中的Ｊava程序员而设计的。内容涵盖机器学习和深度学习的核心概念和方法，但并不要求读者具有机器学习经验；同时，本书用极简的代码实现深度学习算法，这对一般Java程序员在语言技能和深度学习实现上有很大帮助。
下载示例代码
读者可使用在http://wwwpacktpubcom注册的账户下载本书的示例代码。如果你不是在官网购买的此书，可以访问http://wwwpacktpubcom/support注册，代码文件会直接通过电子邮件发送给你。
你可根据以下步骤下载代码文件：
（1）使用你的电子邮箱和密码登录或注册我们的网站。
（2）将鼠标悬停在上方的SUPPORT（支持）标签处。
（3）点击 Code Downloads & Errata。
（4）在Search（搜索）栏输入书籍名称。
（5）选择你要下载代码文件的书籍。
（6）从下拉菜单中选择你自何处购买此书。
（7）点击Code Download。
也可以通过点击Packt官网该书页面上的Code Files按钮来下载代码文件。在Search栏输入书籍名称就可以访问书籍页面。但这需要先登录你的Packt账户。
下载文件后，请用以下软件的最新版本解压文件：
 WinRAR/7Zip（对于Windows）。
 Zipeg/iZip/UnRarX（对于Mac）。
 7Zip/PeaZip（对于Linux）。
本书的代码包也可从位于https://githubcom/PacktPublishing/JavaDeepLearningEssentials的GitHub下载。https://githubcom/PacktPublishing/有海量的其他书籍的代码包和视频，去看看吧！

计算机\人工智能

人工智能以及深度学习正在改变着人们对软件的理解，正使得计算机更加智能。深度学习算法应用非常广泛，远远超出数据科学的范畴。本书首先介绍了一些机器学习算法的基础，随后带领你进入一个引人入胜的机器智能世界，你将领略到各种神经网络的魅力及挑战。我们将使用基于DL4J的Java库，一起攻克图像处理、语音识别和自然语言处理等中的各种问题。同时，你也会接触到当今最重要的其他开发平台，如Theano、TensorFlow和Caffe。通过本书的学习，你将具备用Java攻克深度学习问题的能力，并为这个领域贡献自己的力量。

通过阅读本书，你将：
* 透彻理解机器学习及深度学习算法
* 用代码具体实现各种深度学习算法
* 用最流行的深度学习框架探究神经网络
* 深入了解深度信念网络及栈式去噪自编码器算法
* 探索dropout及卷积神经网络的深度学习算法
* 庖丁解牛DL4J开发库及工程应用
* 提升深度学习算法及开发框架的工程级部署策略
* 最新讲解Theano、TensorFlow和Caffe开发框架

[日]巣笼悠辅（Yusuke Sugomori）著：暂无相关简介

陈澎 王磊 陆明 译：暂无简介

本书是一本实战型的深度学习和机器学习宝典，十分适合Java的深度学习入门者。本书涵盖了深度学习的主要成熟算法，一步步地剖析算法背后的数学原理，并提供大量通俗易懂的代码加以说明。同时，为了能更好地指导实践，作者生动地阐述了很多宝贵的工程经验和技术直觉。最后，本书介绍了该领域最新的研究和应用成果，还包括一些实用的网络资源及研究方法。总之，本书值得深度学习爱好者细细品味。
最令人吃惊的是，本书作者Yusuke Sugomori竟然是一位十分年轻的“老司机”，拥有丰富的工程经验。从本书内容中，我们能隐约领悟到作者探索深度学习的捷径，就是“敢于实践，善于实践，快速实践！”。因此，我们也建议读者从最基本的部分就边学边做，不断深入理解深度学习的内涵。
本书的译者分工如下，陆明负责第1、2、6章，王磊负责第3、4、5章，陈澎负责前言、附录及第7、8章，并负责全书的审校工作。感谢机械工业出版社的编辑给予的帮助！
特别感谢我即将出生的孩子，一直支持我的妻子和父母，感谢合作译者陆明和王磊的家人！
“轻鞭一挥芳径去,漫闻花儿断续长”，我们有理由对人工智能的未来怀有更无限的憧憬！

陈澎
2017年3月于北京

译者序
前言
第1章深度学习概述
11人工智能的变迁
111人工智能的定义
112人工智能曾经的辉煌
113机器学习的演化
114机器学习的局限性
12人与机器的区分因素
13人工智能与深度学习
14小结
第2章机器学习算法——为深度学习做准备
21入门
22机器学习中的训练需求
23监督学习和无监督学习
231支持向量机
232隐马尔可夫模型
233神经网络
234逻辑回归
235增强学习
24机器学习应用流程
25神经网络的理论和算法
251单层感知器
252逻辑回归
253多类逻辑回归
254多层感知器
26小结
第3章深度信念网络与栈式去
噪自编码器
31神经网络的没落
32神经网络的复兴
321深度学习的进化——突破是什么
322预训练的深度学习
33深度学习算法
331限制玻尔兹曼机
332深度信念网络
333去噪自编码器
334栈式去噪自编码器
34小结
第4章dropout和卷积神经网络
41没有预训练的深度学习算法
42dropout
43卷积神经网络
431卷积
432池化
433公式和实现
44小结
第5章探索Java深度学习库——DL4J、ND4J以及其他
51从零实现与使用库/框架
52DL4J和 ND4J 的介绍
53使用 ND4J 实现
54使用DL4J实现
541设置
542构建
543CNNMnistExamplejava/LenetMnistExamplejava
544学习速率的优化
55小结
第6章实践应用——递归神经网络等
61深度学习热点
611图像识别
612自然语言处理
62深度学习的挑战
63最大化深度学习概率和能力的方法
631面向领域的方法
632面向分解的方法
633面向输出的方法
64小结
第7章其他重要的深度
学习库
71Theano
72TensorFlow
73Caffe
74小结
第8章未来展望
81深度学习的爆炸新闻
82下一步的展望
83对深度学习有用的新闻资源
84小结