本书从基本概念和理论入手，通过近千张图和简单的例子由浅入深地讲解深度学习的相关知识，且不涉及复杂的数学内容。 本书分为上下两册。上册着重介绍深度学习的基础知识，旨在帮助读者建立扎实的知识储备，主要介绍随机性与基础统计学、训练与测试、过拟合与欠拟合、神经元、学习与推理、数据准备、分类器、集成算法、前馈网络、激活函数、反向传播等内容。下册介绍机器学习的scikit-learn库和深度学习的Keras库（这两种库均基于Python语言），以及卷积神经网络、循环神经网络、自编码器、强化学习、生成对抗网络等内容，还介绍了一些创造性应用，并给出了一些典型的数据集，以帮助读者更好地了解学习。 本书适合想要了解和使用深度学习的人阅读，也可作为深度学习教学培训领域的入门级参考用书。

第1章 机器学习与深度学习入门
1.1 为什么这一章出现在这里
1.1.1 从数据中提取含义
1.1.2 专家系统
1.2 从标记数据中学习
1.2.1 一种学习策略
1.2.2 一种计算机化的学习策略
1.2.3 泛化
1.2.4 让我们仔细看看学习过程
1.3 监督学习
1.3.1 分类
1.3.2 回归
1.4 无监督学习
1.4.1 聚类
1.4.2 降噪
1.4.3 降维
1.5 生成器
1.6 强化学习
1.7 深度学习
1.8 接下来会讲什么
参考资料
第2章 随机性与基础统计学
2.1 为什么这一章出现在这里
2.2 随机变量
2.3 一些常见的分布
2.3.1 均匀分布
2.3.2 正态分布
2.3.3 伯努利分布
2.3.4 多项式分布
2.3.5 期望值
2.4 独立性
2.5 抽样与放回
2.5.1 有放回抽样
2.5.2 无放回抽样
2.5.3 做选择
2.6 Bootstrapping算法
2.7 高维空间
2.8 协方差和相关性
2.8.1 协方差
2.8.2 相关性
2.9 Anscombe四重奏
参考资料
第3章 概率
3.1 为什么这一章出现在这里
3.2 飞镖游戏
3.3 初级概率学
3.4 条件概率
3.5 联合概率
3.6 边际概率
3.7 测量的正确性
3.7.1 样本分类
3.7.2 混淆矩阵
3.7.3 混淆矩阵的解释
3.7.4 允许错误分类
3.7.5 准确率
3.7.6 精度
3.7.7 召回率
3.7.8 关于精度和召回率
3.7.9 其他方法
3.7.10 同时使用精度和召回率
3.7.11 f1分数
3.8 混淆矩阵的应用
参考资料
第4章 贝叶斯定理
4.1 为什么这一章出现在这里
4.2 频率论者法则以及贝叶斯法则
第5章 曲线和曲面
第6章 信息论
第7章 分类
第8章 训练与测试
第9章 过拟合与欠拟合
第10章 神经元
第11章 学习与推理
第12章 数据准备
第13章 分类器
第14章 集成算法
第15章 scikit-learn
第16章 前馈网络
第17章 激活函数
第18章 反向传播
第19章 优化器
第20章 深度学习
第21章 卷积神经网络
第22章 循环神经网络
第23章 Keras第1部分
第24章 Keras第2部分
第25章 自编码器
第26章 强化学习
第27章 生成对抗网络
第28章 创造性应用
第29章 数据集