第 1章　背景知識 1
1.1　什么是智能 /　1
1.2　大腦與神經元 /　2
1.3　關于人工智能/機器學習/神經網絡/深度學習 /　7
第　2章 函數　10
2.1　函數的極限 /　10
2.2　函數的連續性 /　13
2.3　導數 /　14
2.4　凹凸性與拐點 /　21
2.5　極值與駐點 /　23
2.6　曲率 /　25
2.7　二元函數 /　27
第3章　梯度　34
3.1　矢量的概念 /　34
3.2　矢量的運算 /　35
3.3　矢量與坐標 /　37
3.4　方向角與方向余弦 /　39
3.5　矢量的數量積 /　40
3.6　函數的梯度 /　42
第4章　矩陣　50
4.1　矩陣的概念及運算 /　50
4.2　矩陣的初等變換 /　54
4.3　矢量的矩陣表示法 /　57
4.4　矩陣的秩 /　58
4.5　矩陣的逆 /　63
4.6　從標量函數到矩陣函數 /　69
第5章　MCP模型及感知器（Perceptron）　80
5.1　MCP模型 /　80
5.2　模式識別初探 /　84
5.3　感知器 /　88
5.4　凸集與單層感知器 /　94
5.5　XOR問題 /　98
第6章　多層感知器（MLP）　100
6.1　縱向串接 /　100
6.2　MLP的基本架構 /　102
6.3　BP算法 /　108
6.4　梯度下降法 /　120
6.5　極小值問題 /　121
6.6　學習率 /　123
6.7　批量訓練 /　125
6.8　欠擬合與過擬合 /　127
6.9　容量 /　128
6.10　拓撲 /　130
6.11　收斂曲線 /　132
6.12　訓練樣本集 /　133
6.13　權值連接方式 /　135
第7章　徑向基函數神經網絡（RBFNN）　137
7.1　插值的概念 /　137
7.2　RBF /　141
7.3　從精確插值到RBFNN /　148
7.4　Cover定理 /　151
7.5　空間分割問題 /　154
7.6　訓練策略 /　156
第8章　卷積神經網絡（CNN）　157
8.1　卷積運算與相關運算 /　157
8.2　卷積核與特征映射圖 /　188
8.3　CNN的一般結構 /　195
8.4　三種思想 /　207
8.5　邊界策略 /　209
8.6　池化 /　211
8.7　CNN網絡實例 /　214
8.8　Hubel-Wiesel實驗 /　225
第9章　循環神經網絡（RNN）　228
9.1　N-Gram模型 /　228
9.2　RNN示例 /　232
9.3　單向RNN /　237
9.4　BPTT算法 /　240
9.5　填空問題 /　255
9.6　雙向RNN /　263
9.7　梯度爆炸與梯度消失 /　265
9.8　LSTM /　269
結束語　278