1 引言
1．1 機器學(xué)習(xí)發(fā)展簡史
1．2 深度學(xué)習(xí)的定義
1．3 深度學(xué)習(xí)的應(yīng)用領(lǐng)域
1．4 深度學(xué)習(xí)的成果

2 大數(shù)據(jù)機器學(xué)習(xí)系統(tǒng)
2．1 大數(shù)據(jù)機器學(xué)習(xí)系統(tǒng)研究背景
2．2 大數(shù)據(jù)機器學(xué)習(xí)研究現(xiàn)狀
2．3 大數(shù)據(jù)機器學(xué)習(xí)系統(tǒng)的技術(shù)特征及主要研究問題
2．4 大數(shù)據(jù)機器學(xué)習(xí)相關(guān)技術(shù)
2．5 大數(shù)據(jù)機器學(xué)習(xí)平臺總體架構(gòu)

3 深度學(xué)習(xí)方法研究
3．1 深度學(xué)習(xí)方法的發(fā)展史
3．2 三類深度學(xué)習(xí)網(wǎng)絡(luò)
3．3 深度自編碼器
3．4．深度堆疊網(wǎng)絡(luò)及其變形
3．5 預(yù)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)

4 深度學(xué)習(xí)技術(shù)的應(yīng)用研究
4．1 語音和音頻處理中的應(yīng)用
4．2 在語言模型和自然語言處理中的相關(guān)應(yīng)用
4．3 信息檢索領(lǐng)域中的應(yīng)用
4．4 在目標識別和計算機視覺中的應(yīng)用
4．5 多模態(tài)和多任務(wù)學(xué)習(xí)中的典型應(yīng)用

5 深度學(xué)習(xí)軟件仿真平臺及開發(fā)環(huán)境
5．1 Caffe平臺
5．2 TensorFlp平臺
5．3 MXNet平臺
5．4 Torch 7平臺
5．5 Theano平臺

6 大數(shù)據(jù)巨量分析與機器學(xué)習(xí)的應(yīng)用領(lǐng)域
6．1 互聯(lián)網(wǎng)領(lǐng)域
6．2 商業(yè)領(lǐng)域
6．3 工業(yè)領(lǐng)域
6．4 農(nóng)業(yè)信息化建設(shè)領(lǐng)域
6．5 醫(yī)療行業(yè)
6．6 城市規(guī)劃與建筑工程
6．7 其他研究領(lǐng)域

7 國內(nèi)外深度學(xué)習(xí)技術(shù)研發(fā)現(xiàn)狀及其產(chǎn)業(yè)化趨勢
7．1 深度強化學(xué)習(xí)：從AlphaGo背后力量到學(xué)習(xí)資源分享
7．2 Google在深度學(xué)習(xí)領(lǐng)域的研發(fā)現(xiàn)狀
7．3 Facebook在深度學(xué)習(xí)領(lǐng)域的研發(fā)現(xiàn)狀
7．4 百度在深度學(xué)習(xí)領(lǐng)域的研發(fā)現(xiàn)狀
7．5 阿里巴巴在深度學(xué)習(xí)領(lǐng)域的研發(fā)現(xiàn)狀
7．6 京東在深度學(xué)習(xí)領(lǐng)域的研發(fā)現(xiàn)狀
7．7 騰訊在深度學(xué)習(xí)領(lǐng)域的研發(fā)現(xiàn)狀
7．8 科創(chuàng)型公司（基于深度學(xué)習(xí)的人臉識別系統(tǒng)）
7．9 深度學(xué)習(xí)的硬件支撐——NVIDIA GPU

8 機器學(xué)習(xí)的哲學(xué)探索
8．1 機器學(xué)習(xí)哲學(xué)前沿科學(xué)基礎(chǔ)
8．2 機器學(xué)習(xí)的可能實現(xiàn)途徑分析
8．3 機器學(xué)習(xí)算法及其知識發(fā)現(xiàn)功能

9 總結(jié)與展望
9．1 深度學(xué)習(xí)發(fā)展歷史圖
9．2 深度學(xué)習(xí)的應(yīng)用介紹
9．3 深度神經(jīng)網(wǎng)絡(luò)的可塑性
9．4 基于腦啟發(fā)式的深度學(xué)習(xí)前沿方向
附錄
參考文獻