本书涵盖深度学习的专业基础理论知识，包括深度学习概述、机器学习基础、神经网络基础、卷积神经网络、循环神经网络、正则化与深度学习优化，以及比较流行的应用场景实践。本书配套70个示例源码及PPT课件。
本书共11章外加3个附录，系统讲解深度学习的基础知识与领域应用实践。本书内容包括深度学习概述、机器学习基础、神经网络基础、卷积神经网络和循环神经网络、正则化与深度学习优化、计算机视觉应用、目标检测应用、文本分析应用、深度强化学习应用、TensorFlow模型应用、Transformer模型应用等。附录中还给出机器学习和深度学习中用到的数学基础知识，包括线性代数、概率论和信息论等。
本书适合Python深度学习初学者、深度学习算法开发人员学习，也适合作为高等院校计算机技术、人工智能、大数据相关专业的教材或教学参考书。

邓立国，东北大学计算机应用博士毕业。2005年开始在沈阳师范大学软件学院、教育技术学院任教，主要研究方向：数据挖掘、知识工程、大数据处理、云计算、分布式计算等。以第1作者发表学术论文30多篇（26篇EI），主编教材1部，主持科研课题6项，经费10余万元，多次获得校级科研优秀奖，作为九三社员提出的智慧城市提案被市政府采纳，研究成果被教育厅等单位采用。

第1章 深度学习概述
1.1 人工智能
1.2 机器学习
1.2.1 机器学习定义
1.2.2 机器学习流派
1.2.3 机器学习简史
1.2.4 机器学习流程
1.3 深度学习
1.4 深度学习的应用场景
1.4.1 技术类型
1.4.2 应用场景
1.5 本章小结
1.6 复习题
参考文献
第2章 机器学习基础
2.1 基本概念
2.2 机器学习的三要素
2.2.1 模型
2.2.2 学习准则
2.2.3 优化算法
2.3 数据分析
2.3.1 描述性统计分析
2.3.2 相关分析
2.3.3 回归分析
2.3.4 分类分析
2.3.5 聚类分析
2.4 估计、偏差和方差
2.4.1 点估计
2.4.2 偏差
2.4.3 方差和标准差
2.5 最大似然估计
2.5.1 条件对数似然和均方误差
2.5.2 最大似然的性质
2.6 特征工程
2.6.1 数据预处理
2.6.2 特征选择
2.6.3 降维
2.7 本章小结
2.8 复习题
参考文献
第3章 神经网络基础
3.1 神经网络概述
3.1.1 神经网络简史
3.1.2 神经网络基础理论
3.2 线性神经网络
3.3 感知机
3.3.1 感知机模型
3.3.2 多层感知机
3.4 支持向量机
3.4.1 支持向量机的原理
3.4.2 线性支持向量机分类
3.4.3 非线性支持向量机分类
3.4.4 支持向量机回归
3.5 本章小结
3.6 复习题
参考文献
第4章 卷积神经网络和循环神经网络
4.1 卷积神经网络
4.1.1 卷积
……
第5章 正则化与深度学习优化
第6章 深度学习用于计算机视觉
第7章 深度学习用于目标检测
第8章 深度学习用于文本分析
第9章 深度强化学习的应用
第10章 TensorFlow模型的应用
第11章 Transformer模型的应用
附录A 线性代数
附录B 概率论
附录C 信息论