本书讲解生动，清晰简明，介绍深度学习最前沿的连接模型，讨论最流行的算法和架构，分析深度学习和连接的有趣开放性研究问题。本书涉及卷积网络、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。

桑德罗·斯卡尼博士是克罗地亚萨格勒布大学的逻辑学助理教授,同时还是克罗地亚萨格勒布代数学院的数据科学讲师。他拥有GitHub北极代码库贡献者勋章(ArcticCode Vault Contributor)。

第1章 从逻辑学到认知科学
1.1 人工神经网络的起源
1.2 异或(XOR)问题
1.3 从认知科学到深度学习
1.4 总体人工智能景观中的神经网络
1.5 哲学和认知概念
第2章 数学和计算先决条件
2.1 求导和函数极小化
2.2 向量、矩阵和线性规划
2.3 概率分布
2.4 逻辑学和图灵机
2.5 编写Python代码
2.6 Python编程概述
第3章 机器学习基础知识
3.1 基本分类问题
3.2 评估分类结果
3.3 一种简单的分类器：朴素贝叶斯
3.4 一种简单的神经网络：逻辑回归
3.5 MNIST数据集简介
3.6 没有标签的学习：k均值
3.7 学习不同的表示形式：PCA
3.8 学习语言：词袋表示
第4章 前馈神经网络
4.1 神经网络的基本概念和术语
4.2 使用向量和矩阵表示网络分量
4.3 感知器法则
4.4 Delta法则
4.5 从逻辑神经元到反向传播
4.6 反向传播
4.7 一个完整的前馈神经网络
第5章 前馈神经网络的修改和扩展
5.1 正则化的概念
5.2 L1和L2正则化
5.3 学习率、动量和丢弃
5.4 随机梯度下降和在线学习
5.5 关于多个隐藏层的问题：梯度消失和梯度爆炸
第6章 卷积神经网络
6.1 第三次介绍逻辑回归
6.2 特征图和池化
6.3 一个完整的卷积网络
6.4 使用卷积网络对文本进行分类
第7章 循环神经网络
7.1 不等长序列
7.2 使用循环神经网络进行学习的三种设置
7.3 添加反馈环并展开神经网络
7.4 埃尔曼网络
7.5 长短期记忆网络
7.6 使用循环神经网络预测后续单词
第8章 自动编码器
8.1 学习表示
8.2 不同的自动编码器体系结构
8.3 叠加自动编码器
8.4 重新创建猫论文
第9章 神经语言模型
9.1 词嵌入和词类比
9.2 CBOW和Word2vec
9.3 Word2vec代码
9.4 单词领域概览：一种摒弃符号AI的观点
第10章 不同神经网络体系结构概述
10.1 基于能量的模型
10.2 基于记忆的模型
10.3 通用联结主义智能的内核：bAbI数据集
第11章 结论
11.1 开放性研究问题简单概述
11.2 联结主义精神与哲学联系