《深入浅出深度学习》首先对人工智能和深度学习的历史发展做了简单介绍，然后介绍一些必需的数学概念，接着为大家提供了机器学习的基础知识，随后详细介绍几种神经网络模型以及不同的神经网络体系结构。从结构上来说，是非常合理的。从全局到细微，由表及里，引导大家逐步深入了解所介绍的内容。无论是初学者，还是有一定经验的用户，都可以从中受益良多。另外，对于超出本书介绍范围的内容作者还推荐了一些参考著作,使有兴趣和有能力的读者可以进一步拓展知识范围从而对相关内容有更全面、更深入的了解。
《深入浅出深度学习：从逻辑运算到人工智能》讲解生动，清晰简明，介绍深度学习前沿的连接模型，讨论非常流行的算法和架构，分析深度学习和连接的有趣开放性研究问题。
《深入浅出深度学习：从逻辑运算到人工智能》涉及卷积网络、LSTM、Word2vec、RBM、DBN、神经图灵机、记忆网络和编码机等概念，主题包括机器学习基础知识、深度学习的数学和计算知识、前馈神经网络、卷积神经网络、前馈神经网络的循环连接、自动编码机等。
目 录
第1章 从逻辑学到认知科学 1
1.1 人工神经网络的起源 1
1.2 异或(XOR)问题 6
1.3 从认知科学到深度学习 8
1.4 总体人工智能景观中的神经网络 12
1.5 哲学和认知概念 13
第2章 数学和计算先决条件 17
2.1 求导和函数极小化 17
2.2 向量、矩阵和线性规划 26
2.3 概率分布 34
2.4 逻辑学和图灵机 41
2.5 编写Python代码 44
2.6 Python编程概述 46
第3章 机器学习基础知识 55
3.1 基本分类问题 55
3.2 评估分类结果 61
3.3 一种简单的分类器：朴素贝叶斯 64
3.4 一种简单的神经网络：逻辑回归 67
3.5 MNIST数据集简介 73
3.6 没有标签的学习：k均值 76
3.7 学习不同的表示形式：PCA 78
3.8 学习语言：词袋表示 81
第4章 前馈神经网络 85
4.1 神经网络的基本概念和术语 85
4.2 使用向量和矩阵表示网络分量 88
4.3 感知器法则 90
4.4 Delta法则 93
4.5 从逻辑神经元到反向传播 95
4.6 反向传播 100
4.7 一个完整的前馈神经网络 110
第5章 前馈神经网络的修改和扩展 113
5.1 正则化的概念 113
5.2 L1和L2正则化 115
5.3 学习率、动量和丢弃 117
5.4 随机梯度下降和在线学习 123
5.5 关于多个隐藏层的问题：梯度消失和梯度爆炸 124
第6章 卷积神经网络 127
6.1 第三次介绍逻辑回归 127
6.2 特征图和池化 131
6.3 一个完整的卷积网络 133
6.4 使用卷积网络对文本进行分类 136
第7章 循环神经网络 141
7.1 不等长序列 141
7.2 使用循环神经网络进行学习的三种设置 143
7.3 添加反馈环并展开神经网络 145
7.4 埃尔曼网络 146
7.5 长短期记忆网络 148
7.6 使用循环神经网络预测后续单词 151
第8章 自动编码器 161
8.1 学习表示 161
8.2 不同的自动编码器体系结构 164
8.3 叠加自动编码器 166
8.4 重新创建猫论文 170
第9章 神经语言模型 173
9.1 词嵌入和词类比 173
9.2 CBOW和Word2vec 174
9.3 Word2vec代码 176
9.4 单词领域概览：一种摒弃符号AI的观点 179
第10章 不同神经网络体系结构概述 183
10.1 基于能量的模型 183
10.2 基于记忆的模型 186
10.3 通用联结主义智能的内核：bAbI数据集 189
第11章 结论 193
11.1 开放性研究问题简单概述 193
11.2 联结主义精神与哲学联系 194
温馨提示：请使用长沙图书馆的读者帐号和密码进行登录
（1）对“深度学习”历史回顾详实准确，给许多学生和年轻研究人员补了一课。
（2）列举经由多层网络的反向传播的详明数值示例，直接推导反向传播公式。我要求学生不借助TensorFlow或PyTorch中的自动微分软件，用计算器自行在一个小例子上计算。
书不厚，但涵盖必要的基础知识，探讨标准的前馈深度网络、基本的卷积神经网络（CNN）、循环神经网络（RNN）、自动编码器和语言模型（Word2vec）等，分析正则化（L1、L2、丢弃）和动量等实际问题。为读者进一步了解Transformer、BERT和GPT-2等新模型打下坚实基础。
书中的数学符号比高级书籍容易理解，我认为本书是一个完美起点。
内容精彩，简明易懂；块头不大，但魔术般地囊括了所有深度学习主题。
——Eric Nichols
★如果你对以下内容感兴趣，请务必阅读本书：
（1）“机器学习”在过去50年里演变为“深度学习”的历程。
（2）对深度学习的数学基础知识（如微积分、矩阵、概率）的完整、扼要的描述。
（3）深入浅出地讲解机器学习的基础知识、卷积网络、循环网络和自动编码器；对这几个方面的讲解明显优于其他书籍。
我也特别欣赏对“神经语言模型”的概述；简短，但清晰有力。
向硕士研究生、博士研究生和初学者强烈推荐本书！
——Antonio Gulli
★本书逻辑严密，每句话都有力量，涵盖深度学习基础知识以及神经网络的发展历程。本书插图丰富，结合数学公式和Python代码，直观呈现所有概念、方法和算法变体。如果你想进入统计和机器学习殿堂，本书将是一本不错的参考指南和入门书籍。
简明、精悍的深度学习著作！
——Sasa Savic