深度學習是一種人工智能， 模仿人腦處理數據和創建用於決策的模式方面的工作， 處理用於檢測對像、識別語音、翻譯語言和進行決策的數據. 本書是深度學習入門級教材，有以下特點：
1. 由淺入深， 對於最基本的單層神經網絡到多層神經網絡的前向及後向傳播理論， 從公式到代碼緩慢進階， 做了透徹的解釋， 易於理解及上手。
2. 在基本模塊介紹之後， 對於各種更復雜的模型並不拘泥於細節， 而是著重介紹其含義， 讓讀者著眼於整體框架及未來發展。
3. 盡量跟隨新發展， 書中**的模型來自2020年.

吳喜之 北京大學數學力學繫本科畢業，北卡羅來納大學統計繫博士。中國人民大學統計學院教授，博士生導師。曾在南開大學、北京大學、加利福尼亞大學、北卡羅來納大學等多所著名學府執教。

第一部分 Python 基礎
第 1 章 Python 基礎
1．1引 言
1．2 安 裝
1．3 基本模塊的編程
1．4 NumPy 模塊
1．5 Pandas 模塊
1．6 Matplotlib 模塊
1．7 Python 的類——面向對像編程簡介
1．8 習 題
第二部分 神經網絡基礎及逐步深化
第 2 章 從最簡單的神經網絡說起
2．和批次
2．2 神經網絡回歸
2．3 神經網絡分類
第 3 章 有隱藏層的神經網絡
3．1 一個隱藏層的神經網絡
3．2 多個隱藏層的神經網絡
3．3 通過 PyTorch 實現神經網絡初等計算
第三部分 深度學習的 PyTorch 實現
第 4 章 神經網絡的 PyTorch 逐步深化
4．1 簡單的人造數據回歸
4．2 MNIST 手寫數字數據神經網絡案例
4．3 卷積神經網絡
4．4 MNIST 手 寫 數 字 數 據 ( 續)： CNN
4．5 CIFAR10 數據圖像 CNN 案例·
第 5 章 遞歸神經網絡
5．1 遞歸神經網絡簡介
5．2 長短期記憶網絡 (LSTM)
5．3 LSTM 預測句子的例子
5．4 門控遞歸網絡 (GRU)
5．5 數 據 MNIST 手 寫 數 字 數 據 的GRU 分類例子
5．6 GRU 處理時間序列的例子
第 6 章 PyTorch 文本數據分析
6．1 一個簡單的文本分類例子
6．2 序列到序列模型 (seq2seq)
6．3 剖析一個著名 seq2seq 案例
第 7 章 用於自然語言處理的變換器
7．1 變換器的原理
7．2 預訓練模塊Transformers·
7．3 seq2seq 變換器示範代碼
第 8 章 現代 Hopfifield 網絡
8．1 概論
8．2 傳統的 Hopfifield 網絡
8．3 現代 Hopfifield 網絡
8．4 現代 Hopfifield 網絡例子
第四部分 深度學習的 TensorFlow 實現
第 9 章 通過例子進入 TensorFlow
9．1 分類例子： 皮膚病
9．2 回歸例子
9．3 不平衡數據分類例子
第 10 章 TensorFlow 案例
10．1 102 種花卉 CNN 分類例子
10．2 通過 RNN 生成文本例子
10．3 IMDB 數據文本情感分析案例
10．4 IMDB 數據的變換器示範代碼
10．5 圖像分割案例

深度學習是機器學習的一個子領域. 它利用層次化的人工神經網絡來實現機器學習的過程. 人工神經網絡類似於人的大腦, 節點像網絡一樣連接在一起. 深度學習繫統的分層功能使機器可以使用非線性方法處理數據. 它主要用於有監督學習, 也能夠從非結構化或未標記的數據中不受監督地學習網絡. 由於深度學習主要使用神經網絡, 也稱為深度神
經學習或深度神經網絡. 數字時代引起了來自世界各地的各種形式的數據爆炸式增長. 這些數據 (簡稱為大數據) 來自社交媒體、互聯網搜索引擎和電子商務平臺等多種資源. 有大量數據易於訪問, 並且可以通過雲計算等金融科技應用程序共享. 但是, 通常隻有非結構化的數據如此龐大, 以至於基於傳統方法可能需要數十年纔能理解並提取相關信息. 人們意識到, 挖掘這些豐富的信息可能會帶來令人難以置信的潛力, 因此, 越來越多地采用諸如深度學習這樣的人工智能繫統進行自動化支持.