《Python深度学习(全彩印刷)/图灵程序设计丛书》由Keras之父、现任Google人工智能研究员的弗朗索瓦·肖莱（Francois Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，包括计算机视觉、自然语言处理、产生式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化，读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。
本书适合从事大数据及机器学习领域工作，并对深度学习感兴趣的各类读者。

第一部分 深度学习基础
第1章 什么是深度学习
1.1 人工智能、机器学习与深度学习
1.1.1 人工智能
1.1.2 机器学习
1.1.3 从数据中学习表示
1.1.4 深度学习之“深度”
1.1.5 用三张图理解深度学习的工作原理
1.1.6 深度学习已经取得的进展
1.1.7 不要相信短期炒作
1.1.8 人工智能的未来
1.2 深度学习之前：机器学习简史
1.2.1 概率建模
1.2.2 早期神经网络
1.2.3 核方法
1.2.4 决策树、随机森林与梯度提升机
1.2.5 回到神经网络
1.2.6 深度学习有何不同
1.2.7 机器学习现状
1.3 为什么是深度学习，为什么是现在
1.3.1 硬件
1.3.2 数据
1.3.3 算法
1.3.4 新的投资热潮
1.3.5 深度学习的大众化
1.3.6 这种趋势会持续吗
第2章 神经网络的数学基础
2.1 初识神经网络
2.2 神经网络的数据表示
2.2.1 标量（0D张量）
2.2.2 向量（1D张量）
2.2.3 矩阵（2D张量）
2.2.4 3D张量与更高维张量
2.2.5 关键属性
2.2.6 在Numpy中操作张量
2.2.7 数据批量的概念
2.2.8 现实世界中的数据张量
2.2.9 向量数据
2.2.10 时间序列数据或序列数据
2.2.11 图像数据
2.2.12 视频数据
2.3 神经网络的“齿轮”：张量运算
2.3.1 逐元素运算
2.3.2 广播
2.3.3 张量点积
2.3.4 张量变形
2.3.5 张量运算的几何解释
2.3.6 深度学习的几何解释
2.4 神经网络的“引擎”：基于梯度的优化
2.4.1 什么是导数
2.4.2 张量运算的导数：梯度
2.4.3 随机梯度下降
2.4.4 链式求导：反向传播算法
2.5 回顾第一个例子
本章小结
第3章 神经网络入门
第4章 机器学习基础
第二部分 深度学习实践
第5章 深度学习用于计算机视觉
第6章 深度学习用于文本和序列
第7章 高级的深度学习最佳实践
第8章 生成式深度学习
第9章 总结
附录A 在Ubuntu上安装Keras及其依赖
附录B 在EC2 GPU实例上运行Jupyter笔记本