本书循序渐进地介绍了深度学习的基础知识与常用方法，全面细致地提供了深度学习操作的原理和在深度学习框架下的实践步骤。本书共分为三部分，理论基础、实验和案例。第一部分理论基础，包括第1～7章，主要介绍深度学习的基础知识、深度学习在不同领域的应用、不同深度学习框架的对比以及机器学习、神经网络等内容；第二部分实验，包括第8～9章，主要讲解常用深度学习框架的基础以及计算机视觉、自然语言处理、强化学习和可视化技术领域的一些实验讲解。第三部分案例包括第10～17章，通过8个案例介绍深度学习在图像分类、目标检测、目标识别、图像分割、生成对抗、自然语言处理等方面的应用。 本书适合Python深度学习初学者、机器学习算法分析从业人员以及高等学校计算机科学、软件工程等相关专业的师生阅读。

第一部分 理论基础
第1章 深度学习简介
1.1 计算机视觉
1.1.1 定义
1.1.2 基本任务
1.1.3 传统方法
1.1.4 仿生学与深度学习
1.1.5 现代深度学习
1.1.6 小结
1.2 自然语言处理
1.2.1 自然语言处理的基本问题
1.2.2 传统方法与神经网络方法的比较
1.2.3 发展趋势
1.3 强化学习
1.3.1 什么是强化学习
1.3.2 强化学习算法简介
1.3.3 强化学习的应用
小结
习题
第2章 深度学习框架及其对比
2.1 PyTorch
2.1.1 PyTorch简介
2.1.2 PyTorch的特点
2.1.3 PyTorch概述
2.2 TensorFlow
2.2.1 TensorFlow简介
2.2.2 数据流图
2.2.3 TensorFlow的特点
2.2.4 TensorFlow概述
2.3 PaddlePaddle
2.3.1 PaddlePaddle简介
2.3.2 PaddlePaddle的特点
2.3.3 PaddlePaddle的应用
2.4 三者的比较
小结
习题
第3章 机器学习基础知识
3.1 机器学习概述
3.1.1 关键术语
3.1.2 机器学习的分类
3.1.3 机器学习的模型构造过程
3.2 监督学习
3.2.1 线性回归
3.2.2 Logistic回归
3.2.3 最小近邻法
3.2.4 线性判别分析法
3.2.5 朴素贝叶斯分类算法
3.2.6 决策树分类算法
3.2.7 支持向量机分类算法
3.3 非监督学习
3.3.1 划分式聚类方法
3.3.2 层次化聚类方法
3.3.3 基于密度的聚类方法
3.4 强化学习
3.4.1 强化学习、监督学习和非监督学习
3.4.2 强化学习问题描述
3.4.3 强化学习问题分类
3.5 神经网络和深度学习
3.5.1 感知器模型
3.5.2 前馈神经网络
3.5.3 卷积神经网络
3.5.4 其他类型结构的神经网络
3.6 案例：银行贷款用户筛选
小结
习题
第4章 回归模型
4.1 线性回归
4.2 Logistic回归
4.3 用PyTorch实现Logistic回归
4.3.1 数据准备
4.3.2 线性方程
4.3.3 激活函数
4.3.4 损失函数
4.3.5 优化算法
4.3.6 模型可视化
……
第二部分 实验
第三部分 案例