1.國內知識圖譜界領軍人物、文因互聯CEO鮑捷作序。國內外產業界和學術界大咖鼎力推薦2.本書編寫簡明扼要，是美國常青籐名校布朗大學的教材。本書的每一章都包括了一個編程項目和一些書面練習，並附上了參考資料，可供讀者進一步閱讀。3.人工智能經典入門書，基於Tensorflow編寫，以項目為導向，通過一繫列的編程任務，向讀者介紹了熱門的人工智能應用，包括計算機視覺、自然語言處理和強化學習等。4.做中學。作者在前言中寫道：“對我而言，學習計算機科學的優選方法，就是坐下來寫程序。”本書正是采用了這種方法。

●第 1章  前饋神經網絡  1  1.1 感知機  3  1.2 神經網絡的交叉熵損失函數  7  1.3 導數與隨機梯度下降  11  1.4 編寫程序  15  1.5 神經網絡的矩陣表示  17  1.6 數據獨立性  19  1.7 參考文獻和補充閱讀  20  1.8 習題  21第  2章 Tensorflow  23  2.1 預備知識  23  2.2 TF程序  26  2.3 多層神經網絡  31  2.4 其他方面  34  2.4.1 檢查點  34  2.4.2 tensordot  35  2.4.3 TF變量的初始化  37  2.4.4 TF圖創建的簡化  39  2.5 參考文獻和補充閱讀  40  2.6 習題  40第3章  卷積神經網絡  43  3.1 濾波器、步長和填充  43  3.2 一個簡單的TF卷積例子  49  3.3 多層卷積  51  3.4 卷積細節  54  3.4.1 偏置  54  3.4.2 卷積層  55  3.4.3 池化運算（pooling）  55  3.5 參考文獻和補充閱讀  56  3.6 習題  57第4章  詞嵌入與循環神經網絡  59  4.1 語言模型的詞嵌入  59  4.2 構建前饋語言模型  63  4.3 改進前饋語言模型  65  4.4 過擬合  66  4.5 循環網絡  69  4.6 長短期記憶模型  75  4.7 參考文獻和補充閱讀  78  4.8 習題  78第5章  序列到序列學習  81  5.1 seq2seq模型  82  5.2 編寫一個seq2seq MT程序  84  5.3 seq2seq中的注意力機制  87  5.4 多長度seq2seq  90  5.5 編程練習  91  5.6 參考文獻和補充閱讀  93  5.7 習題  94第6章  深度強化學習  97  6.1 值迭代  98  6.2 Q學習  101  6.3 深度Q學習基礎  103  6.4 策略梯度法  106  6.5 行動者-評論家方法  112  6.6 經驗回放  114  6.7 參考文獻和補充閱讀  115  6.8 習題  116第7章  無監督神經網絡模型  119  7.1 基本自編碼  119  7.2 卷積自編碼  122  7.3 變分自編碼  126  7.4 生成式對抗網絡  132  7.5 參考文獻和補充閱讀  137  7.6 習題  137附錄A  部分習題答案  139附錄B  參考文獻  143附錄C  索引  147本書贊譽  151

《深度學習導論》講述了前饋神經網絡、Tensorflow、卷積神經網絡、詞嵌入與循環神經網絡、序列到序列學習、深度強化學習、無監督神經網絡模型等深度學習領域的基本概念和技術，通過一繫列的編程任務，向讀者介紹了熱門的人工智能應用，包括計算機視覺和自然語言處理等。本書編寫簡明扼要，理論聯繫實踐，每一章都包含習題以及補充閱讀的參考文獻。本書既可作為高校人工智能課程的教學用書，也可供從業者入門參考。本書要求讀者熟悉線性代微積分、概率論與數理統計知識，另外需要讀者了解Python編程。

[美]尤金·查爾尼克（Eugene Charniak） 著 瀋磊 鄭春萍 譯