本书从人工智能、机器学习和深度学习三者的关系开始，以深度学习在计算机视觉、自然语言处理和推荐系统的应用实践为主线，逐步剖析模型原理和代码实现。书中的内容深入浅出，通过原理与代码结合、产业实践和作业题结合的方式，帮助读者更好掌握深度学习的相关知识和深度学习开源框架的使用方法。为了让更多的读者从中受益，快速应对复杂多变的AI应用，书中还介绍各种模型资源和辅助工具，旨在帮助读者在人工智能的战场上武装到牙齿，和“AI大师”一样无往不利。
人工智能是一门跨学科的技术，本书可作为深度学习的入门读物，也可作为人工智能或相关学科本科生和研究生的教材，还可供AI爱好者和从业者使用。

第1章 零基础入门深度学习
1.1 机器学习和深度学习综述
1.1.1 人工智能、机器学习、深度学习的关系
1.1.2 机器学习
1.1.3 深度学习
1.1.4 作业
1.2 使用Python和NumPy构建神经网络模型
1.2.1 波士顿房价预测任务
1.2.2 构建波士顿房价预测任务的神经网络模型
1.2.3 小结
1.2.4 作业
1.3 飞桨开源深度学习平台介绍
1.3.1 深度学习框架
1.3.2 飞桨开源深度学习平台
1.3.3 作业
1.4 使用飞桨重写房价预测模型
1.4.1 飞桨深度学习平台设计之“道”
1.4.2 使用飞桨构建波士顿房价预测模型
1.4.3 作业
1.5 NumPy介绍
1.5.1 概述
1.5.2 基础数据类型：ndarray数组
1.5.3 随机数np.random
1.5.4 线性代数
1.5.5 NumPy保存和导入文件
1.5.6 NumPy应用举例
1.5.7 作业
第2章 一个案例带你吃透深度学习
2.1 使用飞桨完成手写数字识别模型
2.1.1 手写数字识别任务
2.1.2 构建手写数字识别的神经网络模型
2.1.3 飞桨各模型代码结构一致，大大降低了用户的编码难度
2.1.4 采用“横纵式”教学法，适用于深度学习初学者
2.2 通过极简方案快速构建手写数字识别模型
2.2.1 通过极简方案构建手写数字识别模型
2.2.2 作业
2.3 “手写数字识别”之数据处理
2.3.1 概述
2.3.2 读入数据并划分数据集
2.3.3 训练样本乱序并生成批次数据
2.3.4 校验数据有效性
2.3.5 封装数据读取与处理函数
2.3.6 异步数据读取
2.4 “手写数字识别”之网络结构
2.4.1 概述
2.4.2 经典的全连接神经网络
2.4.3 卷积神经网络
2.5 “手写数字识别”之损失函数
2.5.1 概述
2.5.2 分类任务的损失函数
2.5.3 作业
2.6 “手写数字识别”之优化算法
2.6.1 概述
2.6.2 设置学习率
2.6.3 学习率的主流优化算法
2.6.4 作业
2.7 “手写数字识别”之资源配置
2.7.1 概述
2.7.2 单GPU训练
2.7.3 分布式训练
2.8 “手写数字识别”之训练调试与优化
2.8.1 概述
2.8.2 计算模型的分类准确率
2.8.3 检查模型训练过程，识别潜在训练问题
2.8.4 加入校验或测试，更好评价模型效果
2.8.5 加入正则化项，避免模型过拟合
2.8.6 可视化分析
2.8.7 作业
2.9 “手写数字识别”之恢复训练
2.9.1 概述
2.9.2 恢复训练
2.10 完整掌握深度学习建模小结
第3章 计算机视觉
3.1 卷积神经网络基础
3.1.1 概述
3.1.2 卷积神经网络
3.1.3 作业
3.2 卷积的四种操作
3.2.1 概述
3.2.2 池化
3.2.3 ReLU激活函数
3.2.4 批归一化
3.2.5 丢弃法
3.2.6 作业
3.3 图像分类
3.3.1 概述
3.3.2 LeNet
3.3.3 AlexNet
3.3.4 VGG
3.3.5 GoogLeNet
3.3.6 ResNet
3.3.7 小结
3.3.8 作业
第4章 目标检测YOLOv3
4.1 目标检测基础概念
4.1.1 概述
4.1.2 目标检测发展历程
4.1.3 目标检测基础概念
4.2 目标检测数据处理
4.3 目标检测YOLOv3
4.3.1 YOLOv3模型设计思想
4.3.2 产生候选区域
4.3.3 对候选区域进行标注
4.3.4 图形特征提取
4.3.5 计算预测框位置和类别
4.3.6 定义损失函数
4.3.7 多尺度检测
4.3.8 网络训练
4.3.9 模型预测
4.3.10 模型效果及可视化展示
4.4 AI识虫比赛
4.4.1 AI识虫比赛
4.4.2 实现参考
4.4.3 更多思路参考
第5章 自然语言处理
5.1 自然语言处理
5.1.1 概述
5.1.2 自然语言处理的发展历程
5.1.3 自然语言处理技术面临的挑战
5.1.4 自然语言处理的常见任务
5.1.5 使用深度学习解决自然语言处理任务的套路
5.1.6 使用飞桨探索自然语言处理
5.1.7 作业
5.2 词向量Word Embedding
5.2.1 概述
5.2.2 如何将词转换为向量
5.2.3 如何让向量具有语义信息
5.3 使用飞桨实现Skip-gram
5.3.1 概述
5.3.2 数据处理
5.3.3 网络定义
5.3.4 网络训练
5.3.5 词向量的有趣使用
5.3.6 作业
第6章 情感分析
6.1 自然语言情感分析
6.1.1 概述
6.1.2 使用深度神经网络完成情感分析任务
6.1.3 作业
6.2 循环神经网络RNN和长短时记忆网络LSTM
6.2.1 RNN和LSTM网络的设计思考
6.2.2 循环神经网络RNN
6.2.3 长短时记忆网络LSTM
6.2.4 作业
6.3 使用LSTM完成情感分析任务
6.3.1 概述
6.3.2 使用飞桨实现基于LSTM的情感分析模型
6.4 AI文本