全书共15章，分为5篇，第一篇说明深度学习的概念，包括数理基础，特点是结合编程解题，加深读者印象，第二篇说明TensorFlow的学习地图，从张量、自动微分、梯度下降乃至神经层的实践，逐步解构神经网络，第三篇介绍CNN算法、影像应用、转移学习等，第四篇则进入自然语言处理及语音识别的领域，介绍RNN/BERT/Transformer算法、相关应用等，最后，介绍强化学习的基础知识，包括马尔可夫决策过程、动态规划、蒙特卡洛、QLearning算法，当然，还有相关案例实践。
各章详述如下：
第1章介绍AI的发展趋势，鉴古知今，了解前两波AI失败的原因，比较第三波发展的差异性。
第2章介绍深度学习必备的统计/数学基础，不仅要理解相关知识，也力求能撰写程序解题。
第3章介绍TensorFlow基本功能，包括张量运算、自动微分及神经网络层的组成，并说明梯度下降法求解的过程。
第4章开始实践，依照机器学习的十项流程，撰写完整的范例，包括Web、桌面程序。
第5章介绍TensorFlow进阶功能，包括各种工具，如TensorBoard、TensorFlow Serving、Callbacks。
第6～10章介绍图像/视讯的算法及各式应用。
第11～14章介绍自然语言处理、语音及各式应用。
第15章介绍AlphaGo的基础——强化学习算法。
本书范例程序代码全部可以通过扫描二维码获取。

洪锦魁，中国台湾计算机专家，IT图书知名作者。
近年出版：
Python数据科学零基础一本通
Python入门很简单
Python王者归来
Python GUI设计：tkinter菜鸟编程
算法零基础一本通（Python版）
其著作特色：
所有程序语法会依特性分类，同时以实用的程序实例进行解说，让读者可以事半功倍地轻松掌握相关知识。

第一篇 深度学习导论
第1章 深度学习导论
1-1 人工智能的三波浪潮
1-2 AI的学习地图
1-3 机器学习应用领域
1-4 机器学习开发流程
1-5 开发环境安装
第2章 神经网络原理
2-1 必备的数学与统计知识
2-2 线性代数
2-2-1 向量
2-2-2 矩阵
2-2-3 联立方程式求解
2-3 微积分
2-3-1 微分
2-3-2 微分定理
2-3-3 偏微分
2-3-4 简单线性回归求解
2-3-5 积分
2-4 概率与统计
2-4-1 数据类型
2-4-2 抽样
2-4-3 基础统计
2-4-4 概率
2-4-5 概率分布
2-4-6 假设检定
2-5 线性规划
2-6 普通最小二乘法与最大似然估计法
2-6-1 普通最小二乘法
2-6-2 最大似然估计法
2-7 神经网络求解
2-7-1 神经网络
2-7-2 梯度下降法
2-7-3 神经网络求解
第二篇 TensorFlow基础篇
第三篇 进阶的影像应用
第四篇 自然语言处理
第五篇 强化学习