作者简介尤金·查尔尼克（Eugene Charniak），美国布朗大学计算机科学和认知科学教授，博士毕业于MIT，博士导师是人工智能之父马文·明斯基。他是靠前知名的人工智能研究者，美国人工智能学会（AAAI）会士，2011年获美国计算语言学会（ACL）终身成就奖。除本书之外，他还撰写了《统计语言学习》《人工智能编程》等图书。译者简介沈磊，美国计算语言学会（ACL）会员，中国计算机学会（CCF）会员，博士毕业于北京航空航天大学计算机学院，博士研究方向为人工智能、模式识别，现为vivo公司北京AI研究院NLP算法专家，主要方向为自然语言理解和自动问答。她在自然语言处理及推荐算法方向发表了多篇学术论文，申请了5项。郑春萍，教育学博士，北京邮电大学人文学院副教授，主要研究方向为应用语言学与计算机辅助翻译。她是美国国务院“英语语言学者项目”访问学者、英国曼彻斯特大学人文艺术学院访问学者，曾获北京市高等教育教学成果一等奖、北京市高校青年教学名师奖、中央电视台“希望之星”英语风采大赛全国总决赛很好指导教师奖等奖项。她主持了国家社科基金、霍英东青年教师基金及人文社科基金等省部级课题6项，发表学术论文40余篇，主编教材2部，出版专著1部、译著2部。

第1章 前馈神经网络
1.1 感知机
1.2 神经网络的交叉熵损失函数
1.3 导数与随机梯度下降
1.4 编写程序
1.5 神经网络的矩阵表示
1.6 数据独立性
1.7 参考文献和补充阅读
1.8 习题
第2章 Tensorflow
2.1 预备知识
2.2 TF程序
2.3 多层神经网络
2.4 其他方面
2.4.1 检查点
2.4.2 tensordot
2.4.3 TF变量的初始化
2.4.4 TF图创建的简化
2.5 参考文献和补充阅读
2.6 习题
第3章 卷积神经网络
3.1 滤波器、步长和填充
3.2 一个简单的TF卷积例子
3.3 多层卷积
3.4 卷积细节
3.4.1 偏置
3.4.2 卷积层
3.4.3 池化运算（pooling）
3.5 参考文献和补充阅读
3.6 习题
第4章 词嵌入与循环神经网络
4.1 语言模型的词嵌入
4.2 构建前馈语言模型
4.3 改进前馈语言模型
4.4 过拟合
4.5 循环网络
4.6 长短期记忆模型
4.7 参考文献和补充阅读
4.8 习题
第5章 序列到序列学习
5.1 seq2seq模型
5.2 编写一个seq2seq MT程序
5.3 seq2seq中的注意力机制
5.4 多长度seq2seq
5.5 编程练习
5.6 参考文献和补充阅读
5.7 习题
第6章 深度强化学习
6.1 值迭代
6.2 Q学习
6.3 深度Q学习基础
6.4 策略梯度法
6.5 行动者-评论家方法
6.6 经验回放
6.7 参考文献和补充阅读
6.8 习题
第7章 无监督神经网络模型
7.1 基本自编码
7.2 卷积自编码
7.3 变分自编码
7.4 生成式对抗网络
7.5 参考文献和补充阅读
7.6 习题
附录A 部分习题答案
附录B 参考文献
附录C 索引
本书赞誉

本书是一本简明扼要、以项目为导向的深度学习指南。通过一系列的程序编写任务，本书将带领读者体验深度学习在计算机视觉、自然语言处理和强化学习等人工智能领域的应用。
作者长期从事自然语言处理领域的人工智能研究。在书中他讲述了前馈神经网络、卷积神经网络、词嵌入、循环神经网络、序列到序列学习、深度强化学习、无监督模型等深度学习的基本概念和技术，读者(学生和从业者)可以通过Tensorflow(一个开源机器学习框架)的程序来学习和实践。作者在前言中写道：“对我而言，学习计算机科学的最好方法，就是坐下来写程序。”本书正是采用了这种方法。
本书的每一章都包括了一个编程项目和一些书面练习，并附上了参考资料，可供读者进一步阅读。本书第2章专门讨论了Tensorflow及其Python接口这一主题。阅读本书，需要读者熟悉线性代数、多元微积分、概率与统计，以及Python编程的基础知识。本书不仅可以用作高校本科和研究生相关课程的教材，还可以作为软件开发人员的参考书。

本书讲述了前馈神经网络、Tensorflow、卷积神经网络、词嵌入与循环神经网络、序列到序列学习、深度强化学习、无监督神经网络模型等深度学习领域的基本概念和技术，通过一系列的编程任务，向读者介绍了热门的人工智能应用，包括计算机视觉和自然语言处理等。
本书要求读者熟悉线性代数、多元微积分、概率论与数理统计知识，另外需要读者了解Python编程。
本书编写简明扼要，理论联系实践，每一章都包含习题以及补充阅读的参考文献。本书既可作为高校人工智能课程的教学用书，也可供从业者入门参考。