近年來，以機(jī)器學(xué)習(xí)、知識(shí)圖譜為代表的人工智能技術(shù)逐漸變得普及。從車牌識(shí)別、人臉識(shí)別、語音識(shí)別、智能問答、推薦系統(tǒng)到自動(dòng)駕駛，人們?cè)谌粘Ｉ钪卸伎赡苡幸鉄o意地使用到了人工智能技術(shù)。這些技術(shù)的背后都離不開人工智能領(lǐng)域研究者們的長(zhǎng)期努力。特別是最近這幾年，得益于數(shù)據(jù)的增多、計(jì)算能力的增強(qiáng)、學(xué)習(xí)算法的成熟以及應(yīng)用場(chǎng)景的豐富，越來越多的人開始關(guān)注這一個(gè)“嶄新”的研究領(lǐng)域：深度學(xué)習(xí)。深度學(xué)習(xí)以神經(jīng)網(wǎng)絡(luò)為主要模型，一開始用來解決機(jī)器學(xué)習(xí)中的表示學(xué)習(xí)問題。但是由于其強(qiáng)大的能力，深度學(xué)習(xí)越來越多地用來解決一些通用人工智能問題，比如推理、決策等。目前，深度學(xué)習(xí)技術(shù)在學(xué)術(shù)界和工業(yè)界取得了廣泛的成功，受到高度重視，并掀起新一輪的人工智能熱潮。然而，我們也應(yīng)充分意識(shí)到目前的以深度學(xué)習(xí)為核心的各種人工智能技術(shù)和“人類智能”還不能相提并論。深度學(xué)習(xí)需要大量的標(biāo)注數(shù)據(jù)，和人類的學(xué)習(xí)方式差異性很大。雖然深度學(xué)習(xí)取得了很大的成功，但是深度學(xué)習(xí)還不是一種可以解決一系列復(fù)雜問題的通用智能技術(shù)，而是解決單個(gè)問題的一系列技術(shù)。比如可以打敗人類的AlphaGo只能下圍棋，而不會(huì)一個(gè)簡(jiǎn)單的算術(shù)運(yùn)算。想要達(dá)到通用人工智能依然困難重重。本書的寫作目的是使得讀者能夠掌握神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)技術(shù)的基本原理，知其然還要知其所以然。全書共15章。第1章是緒論，介紹人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的概要，使讀者對(duì)相關(guān)知識(shí)進(jìn)行全面的了解。第2、3章介紹了機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)。第4、5、6章分別講述三種主要的神經(jīng)網(wǎng)絡(luò)模型：前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)。第7章介紹神經(jīng)網(wǎng)絡(luò)的優(yōu)化與正則化方法。第8章介紹神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制和外部記憶。第9章簡(jiǎn)要介紹了一些無監(jiān)督學(xué)習(xí)方法。第10章中介紹一些和模型獨(dú)立的機(jī)器學(xué)習(xí)方法：集成學(xué)習(xí)、協(xié)同學(xué)習(xí)、自學(xué)習(xí)、多任務(wù)學(xué)習(xí)、遷移學(xué)習(xí)、終身學(xué)習(xí)、小樣本學(xué)習(xí)、元學(xué)習(xí)等。這些都是目前深度學(xué)習(xí)的難點(diǎn)和熱點(diǎn)問題。第11章介紹了概率圖模型的基本概念，為后面的章節(jié)進(jìn)行鋪墊。第12章介紹兩種早期的深度學(xué)習(xí)模型：玻爾茲曼機(jī)和深度信念網(wǎng)絡(luò)。第13章介紹最近兩年發(fā)展十分迅速的深度生成模型：變分自編碼器和對(duì)抗生成網(wǎng)絡(luò)。第14章介紹了深度強(qiáng)化學(xué)習(xí)的知識(shí)。第15章介紹了應(yīng)用十分廣泛的序列生成模型。