瀧雅人，理学博士，2009年完成东京大学大学院理学系研究科物理学专业博土后期课程。现任理化学研究所跨学科理论与数学科学计划（iTHEMS）不错研究员。

译者序
原书序
原书前言
章 绪论
第2章 机器学习与深度学习
2.1 为什么要进行深度学习
2.2 什么是机器学习
2.2.1 典型任务
2.2.2 形式各异的数据集
2.3 统计学基础
2.3.1 样本和估计
2.3.2 点估计
2.3.3 极大似然估计
2.4 机器学习基础
2.4.1 监督学习
2.4.2 最小二乘法线性回归
2.4.3 基于概率的线性回归
2.4.4 最小二乘法与最优法
2.4.5 过度拟合与泛化
2.4.6 正则化
2.4.7 分类
2.4.8 分类方法
2.4.9 logistic回归
2.4.10 softmax回归
2.5 特征学习与深度学习的进展
2.5.1 特征学习
2.5.2 深度学习的出现
第3章 神经网络
3.1 神经细胞网络
3.2 形式神经元
3.3 感知器
3.3.1 由形式神经元到感知器
3.3.2 感知器与马文·明斯基（Marvin Lee Minsky）
3.4 顺序传播神经网络的组成
3.4.1 神经元和顺序传播神经网络
3.4.2 输入层
3.4.3 中间层
3.4.4 输出层
3.4.5 函数模型
3.5 神经网络的机器学习
3.5.1 回归
3.5.2 二元分类
3.5.3 多元分类
3.6 激活函数
3.6.1 sigmoid函数及其变体
3.6.2 正则化线性函数
3.6.3 maxout
3.7 为什么深度学习是重要的
第4章 基于梯度下降法的机器学习
4.1 梯度下降法
4.1.1 梯度下降法寻求最小值
4.1.2 局部极小值问题
4.1.3 随机梯度下降法
4.1.4 小批量的制作方法
4.1.5 收敛和学习率的调度
4.2 改进的梯度下降法
……
第5章 深度学习的正则化
第6章 误差反向传播法
第7章 自编码器
第8章 卷积神经网络
第9章 循环神经网络
0章 玻尔兹曼机
1章 深度强化学习
附录
参考文献

深度学习是机器学习研究中的一个活跃领域，本书的宗旨在于为深度机器学习的初学者提供一本通俗易懂、内容全面、理论深入的学习教材。
本书的内容大体可以分为机器学习基础、顺序传播神经网络的深度学习、玻尔兹曼机和深度强化学习四个部分，既考虑了通俗性和完整性，又介绍了深度学习的各个方面。其中机器学习基础部分介绍了神经网络、机器学习与深度学习的数学基础、典型任务、数据集等；顺序传播神经网络的深度学习部分介绍了梯度下降法的机器学习、深度学习的正则化、误差反向传播法、自编码器、卷积神经网络以及循环神经网络等；玻尔兹曼机部分对图模型神经网络的机器学习进行了深入的介绍；深度强化学习部分则重点介绍了强化学习中的深度神经网络学习的理论和方法。
通过本书的学习，读者可以快速了解机器学习的全貌，同时在理论上对其模型和方法进行深入分析和理解，从而为实际的开发打下深厚的理论基础，为技术创新提供具有启发性的方向和路径。