共15章，分4部分。
1~3第一部分， 初步介绍人工智能，用两个例子引出。
4~5第二部分，介绍TensorFlow基础，为后续算法实现做铺垫。
6~9第三部分，介绍神经网络的核心理论和共性知识，让我们理解深度学习的本质。
10~15第四部分，模型算法应用，介绍常见算法与模型，学有所用。
第1章 人工智能绪论
我们需要的是一台可以从经验中学习的机器。——阿兰.图灵
……
人工智能->机器学习->神经网络->深度学习（深层神经网络）
人工智能：
机器学习：有监督学习 ，无监督学习 ， 强化学习。
神经网络：
深度学习：特点：数据量，计算力，网络规模，通用智能
应用：计算机视觉，自然语言处理，强化学习。
主流框架：TensorFlow,Keras,pyTorch.
开发环境安装…………
第2章 回归问题
有些人担心人工智能会让人类觉得自卑，但是实际上，即使是看到一朵花，我们也应该或多或少感到一些自愧不如。 ——艾伦.凯
2.1神经元模型
生物概念，多树突，一个轴突。一或多输入，一或多输出。
解析解（Closed-form Solution)：一个数据点的情况，通过严格的公式推导。多个数据点没有解析解，只能优化（Optimize)出一个近似的数值解（Numerical Solution)。
梯度下降算法（Gradient Descent):神经网络训练最常用的优化算法，是深度学习的核心算法。
x模型输入，n缩放梯度向量，下降梯度。
GPU(Graphics Processing Unit)
线性回归（Linear Regression):LR,用线性模型去逼近真实模型。
分类（Classification)问题：离散值预测问题。
第3章 分类问题
在人工智能上花一年时间，这足以让人相信上帝的存在。——艾伦.佩利
3.1手写数字图片数据收集
数字编码（Number Encoding)。
希望模型在新的样本上也能具有良好的表现，即模型泛化能力（Generalization Ability）。
独热编码（one——hot)。
将数字编码（Number Encoding)转换为独热编码（one——hot)。
回归问题：用均方差损失函数，分类问题：用交叉熵（Cross Entropy）损失函数。
表达能力：逼近复杂分布的能力。
过拟合会影响泛化能力。
激活函数（Activation Function),一个非线性函数，有Sigmoid函数，ReLU函数是深度学习模型使用最广泛的激活函数之一。