《深度学习理论及实战（MATLAB版）》主要介绍深度学习理论及实战，共5章，内容包括机器学习、人工神经网络、卷积神经网络、MATLAB深度学习工具箱和应用实例。在介绍基础理论方面，本书深入浅出、语言生动、通俗易懂；在介绍应用实例时，本书贴近实际、步骤翔实、举一反三。本书对数十个例程进行了深入的讲解，并对代码进行了详细的注解。
《深度学习理论及实战（MATLAB版）》可以作为人工智能、电子信息、计算机科学相关专业的本科生、研究生的教材，也可作为本科毕业设计、研究生学术论文的参考资料，还可作为相关工程技术人员的参考资料。

赵小川，博士，高级工程师。科技部、北京市科委项目评审专家组成员。《Robotica》、《IEEE Transactions On Biomedical Engineering》等期刊的审稿人。主编了《MATLAB数字图像处理一一程序实现与模块化仿真》、《MATLAB数字图像处理一一能力提高与应用案例》、《MATLAB数字图像处理一一从仿真C／C++代码自动生成》等图书。

第1章 从“机器学习”讲起
1.1 走近“机器学习”
1.1.1 什么是“机器学习”
1.1.2 机器学习的主要任务
1.1.3 机器学习的分类
1.1.4 什么是“深度学习”
1.1.5 机器学习的应用举例
扩展阅读： 对“人工智能”的理解
1.2 解读“机器学习的过程”
1.2.1 机器学习的过程
1.2.2 机器学习中的数据集
1.2.3 过拟合与欠拟合
心得分享： “机器学习”与“雕刻时光”
1.3 典型的机器学习算法——SVM
1.3.1 从“最走心”的国界线说起
1.3.2 “支持向量机”名字的由来
1.3.3 SVM分类器的形式
1.3.4 如何找到最佳分类线
1.3.5 基于SVM的多分类问题
1.4 思考与练习
第2章 解析“人工神经网络”
2.1 神经元——人工神经网络的基础
2.1.1 生物神经元
2.1.2 人工神经元
2.1.3 激活函数
2.2 神经网络的结构及工作原理
2.2.1 神经网络的结构组成
2.2.2 神经网络的工作原理
2.2.3 一些常见的概念
扩展阅读： 人工神经网络发展简史
2.3 从数学角度来认识神经网络
2.3.1 本书中采用的符号及含义
2.3.2 神经元的激活
2.3.3 神经网络的学习
2.3.4 寻找损失函数最小值——梯度下降法
2.3.5 误差反向传播
2.3.6 基于误差反向传播的参数更新流程
2.4 如何基于神经网络进行分类
2.4.1 基于神经网络实现二分类
2.4.2 基于神经网络实现多分类
扩展阅读： 交叉熵
2.5 思考与练习
第3章 探索“卷积神经网络”
3.1 深入浅出话“卷积”
3.1.1 卷积的运算过程
3.1.2 卷积核对输出结果的影响
3.1.3 卷积运算在图像特征提取中的应用
扩展阅读： 数字图像处理的基础知识
编程体验1： 读入一幅数字图像并显示
编程体验2： 基于MATLAB实现二维图像的滑动卷积
3.2 解析“卷积神经网络”
3.2.1 从 ImageNet 挑战赛说起
3.2.2 卷积神经网络的结构
3.2.3 卷积层的工作原理
3.2.4 非线性激活函数的工作原理
3.2.5 池化层的工作原理
3.2.6 卷积神经网络与全连接神经网络的区别
3.2.7 从仿生学角度看卷积神经网络
扩展阅读： 创建ImageNet挑战赛初衷
3.3 从数学的角度看卷积神经网络
3.3.1 本书中采用的符号及含义
3.3.2 从数学角度看卷积神经网络的工作过程
3.3.3 如何求代价函数
3.3.4 采用误差反向传播法确定卷积神经网络的参数
3.4 认识经典的“卷积神经网络”
3.4.1 解析LeNet5卷积神经网络
3.4.2 具有里程碑意义的AlexNet
3.4.3 VGG-16卷积神经网络的结构和参数
3.4.4 卷积神经网络为何会迅猛发展
3.5 思考与练习
第4章 基于MATLAB深度学习工具箱的实现与调试
4.1 构造一个用于分类的卷积神经网络
4.1.1 实例需求
4.1.2 开发环境
4.1.3 开发步骤
4.1.4 常用的构造卷积神经网络的函数
4.1.5 构造卷积神经网络
4.1.6 程序实现
扩展阅读： 批量归一化层的作用
编程体验： 改变卷积神经网络的结构
4.2 训练一个用于预测的卷积神经网络
4.2.1 实例需求
4.2.2 开发步骤
4.2.3 构建卷积神经网络
4.2.4 训练卷积神经网络
4.2.5 程序实现
扩展阅读1： 设置学习率的经验与技巧
扩展阅读2： 随机失活方法(dropout)的作用
扩展阅读3： 小批量方法（minibatch）的作用
编程体验： 改变网络训练配置参数
4.3 采用迁移学习进行物体识别
4.3.1 站在巨人的肩膀上——“迁移学习”
4.3.2 实例需求
4.3.3 开发步骤
4.3.4 加载训练好的网络
4.3.5 如何对网络结构和样本进行微调
4.3.6 函数解析
4.3.7 程序实现及运行效果
扩展阅读： 多角度看“迁移学习”
4.4 采用 Deep Network Designer实现卷积网络设计
4.4.1 什么是Deep Network Designer
4.4.2 如何打开Deep Network Designer
4.4.3 需求实例
4.4.4 在Deep Network Designer中构建卷积神经网络
4.4.5 对网络进行训练与验证
4.4.6 Deep Network Designer的检验功能
4.5 采用Deep Network Designer实现迁移学习
4.5.1 基于Deep Network Designer的网络结构调整
4.5.2 对网络进行训练
4.6 如何显示、分析卷积神经网络
4.6.1 如何查看训练好的网络的结构和信息
4.6.2 如何画出深度网络的结构图
4.6.3 如何用analyzeNetwork函数查看与分析网络
4.7 如何加载深度学习工具箱可用的数据集
4.7.1 如何加载MATLAB自带的数据集
4.7.2 如何加载自己制作的数据集
4.7.3 如何加载网络下载的数据集——以CIFAR-10为例
4.7.4 如何划分训练集与测试