深度学习是人工智能技术和研究领域之一，通过建立人工神经网络在计算机上实现人工智能。通过学习本书，读者可以了解Python开发环境构建、Python基础、深度学习经典网络、对抗学习、遗传算法与神经网络、计算机视觉和自然语言处理等多个深度学习领域的知识。本书理论与实践并重，配套教学视频，知识体系完整全面，助力读者构建属于自己的深度学习知识体系，了解人工智能的发展趋势和新技术，并可以往自己感兴趣的方向扩展。
本书可作为人工智能初学者的入门书籍，也可作为具备一定知识背景的读者拓展人工智能知识面的学习参考书籍，力求让读者对人工智能的未来应用和发展前景有一个更全面、科学的把握，培养读者的钻研能力，增强读者利用深度学习解决实际问题的能力。

王志立，2019及2020 CCF大数据与计算智能大赛国家级奖项获得者，并获得了2019第七届CCF BDCI大数据与计算智能大赛“互联网金融新实体发现”全国二等奖，2020北京数据开放创新应用大赛——科技战疫·大数据公益挑战赛全国第三名，2020年“中兴捧月神算师”算法精英挑战赛全国第二名等多个国家级Al竞赛奖项。曾在国际与国内的学术会议上发表学术论文多篇，先后在腾讯等多家知名企业从事大数据与人工智能算法开发。乐于分享人工智能相关知识。

第1章 导论
1.1 本书学习路线
1.2 人工智能与深度学习
1.3 深度学习的算法流程
1.3.1 特征工程
1.3.2 模型评估
1.4 总结
第2章 Python开发环境搭建
2.1 Linux服务器
2.1.1 下载与安装
2.1.2 使用mobaxterm连接远程服务器
2.1.3 在服务器上安装Python开发环境
2.1.4 Jupyter Notebook的使用
2.2 Windows平台
2.2.1 下载Anaconda
2.2.2 安装配置
2.2.3 安装路径配置
2.2.4 系统环境配置
2.2.5 在Windows上使用Jupyter Notebook
2.3 使用Anaconda国内源
2.3.1 更换清华源
2.3.2 更换中科大源
2.3.3 pip设定永久阿里云源
2.4 Python虚拟环境
2.4.1 创建Python虚拟环境
2.4.2 切换虚拟环境
2.4.3 在虚拟环境中安装额外的包
2.4.4 虚拟环境的相关命令
2.5 PyCharm远程连接服务器
2.5.1 下载PyCharm专业版
2.5.2 PyCharm连接虚拟环境
2.5.3 使用screen进行任务管理
2.6 总结
第3章 Python基础
3.1 Python简介
3.2 Python初阶学习
3.2.1 变量赋值
3.2.2 标准数据类型
3.2.3 数据类型转换
3.2.4 算术运算符
3.2.5 格式化
3.3 Python进阶学习
3.3.1 循环
3.3.2 条件语句
3.3.3 文件I/O
3.3.4 异常
3.3.5 导包
3.4 Python高阶学习
3.4.1 面向过程编程
3.4.2 面向对象编程
3.4.3 面向过程与面向对象的区别
3.5 正则表达式
3.5.1 re.match
3.5.2 re.search
3.5.3 re.sub
3.5.4 re.compile 函数与findall
3.5.5 正则表达式的重点
3.6 进程与线程
3.6.1 多进程的例子
3.6.2 多线程例子
3.7 总结
第4章 深度学习
4.1 Keras简介
4.1.1 Keras的优点
4.1.2 Keras的缺点
4.1.3 Keras的安装
4.2 全连接神经网络
4.2.1 全连接神经网络简介
4.2.2 全连接神经网络原理
4.2.3 全连接神经网络小结
4.3 卷积神经网络
4.3.1 全连接神经网络的缺点
4.3.2 卷积神经网络原理
4.3.3 卷积神经网络与全连接神经网络的区别
4.3.4 卷积层
4.3.5 局部连接和权值共享
4.3.6 池化层
4.3.7 训练
4.3.8 卷积神经网络的超参数设置
4.3.9 卷积神经网络小结
4.4 超参数
4.4.1 过拟合
4.4.2 优化器
4.4.3 学习率
4.4.4 常见的激励函数
4.4.5 常见的损失函数
4.4.6 其他超参数
4.4.7 超参数设置小结
4.5 自编码器
4.5.1 自编码器的原理
4.5.2 常见的自编码器
4.5.3 自编码器小结
4.6 RNN与RNN的变种结构
4.6.1 RNN与全连接神经网络的区别
4.6.2 RNN的优势
4.6.3 其他RNN结构
4.6.4 LSTM
4.6.5 门控循环单元
4.6.6 RNN与RNN变种结构小结
4.7 代码实践
4.7.1 全连接神经网络回归——房价预测
4.7.2 全连接神经网络与文本分类
4.7.3 卷积神经网络之文本分类
4.7.4 卷积神经网络之图像分类
4.7.5 自编码器
4.7.6 LSTM实例之预测股价趋势
4.8 总结
第5章 生成对抗网络
5.1 生成对抗网络的原理
5.2 生成对抗网络的训练过程
5.3 实验
5.3.1 代码
5.3.2 结果分析
5.4 总结
第6章 遗传算法与神经网络
6.1 遗传演化神经网络
6.1.1 遗传算法原理
6.1.2 遗传算法整体流程
6.1.3 遗传算法遇上神经网络
6.1.4 演化神经网络实验
6.2 遗传拓扑神经网络
6.2.1 遗传拓扑神经网络原理
6.2.2 算法核心
6.2.3 NEAT实验
6.3 总结
第7章 迁移学习与计算机视觉
7.1 计算机视觉
7.1.1 图像分类
7.1.2 目标检测
7.1.3 语义分割
7.1.4 实例分割
7.2 计算机视觉遇上迁移学习
7.2.1 VGG
7.2.2 VGG16与图像分类
7.2.3 VGG16与目标检测
7.2.4 VGG16与语义分割
7.2.5 ResNeXt与实例分割
7.3 迁移学习与计算机视觉实践
7.3.1 实验环境
7.3.2 实验流程
7.3.3 代码
7.3.4 结果分析
7.4 总结
第8章 迁移学习与自然语言处理
8.1 自然语言处理预训练模型
8.1.1 Word2Vec
8.1.2 BERT
8.1.3 RoBERTa
8.1.4 ERNIE
8.1.5 BERT_WWM
8.1.6 NLP预训练模型对比
8.2 自然语言处理四大下游任务
8.2.1 句子对分类任务
8.2.2 单句子分类任务
8.2.3 问答任务
8.2.4 单句子标注任务
8.3 迁移学习与自然语言处理竞赛实践
8.3.1 赛题背景
8.3.2 赛题任务
8.3.3 数据说明
8.3.4 环境搭建