本书针对想要了解深度学习概念的数据科学爱好者，本书通过通俗易懂地解释R代码，让读者可以很容易起步。在深度学习算法和应用的理论和实践方面做到了平衡，在讲述基础理论的同时，通过45个基于R语言的编程实例让读者循序渐进地掌握深度学习技术。读者将通过实战案例实现卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）、序列到序列模型、生成对抗网络（GAN）和强化学习，还将学习使用GPU进行大型数据集的高性能计算，以及R语言中的并行计算编程。各部分内容安排合理，按照“准备工作→操作步骤→原理解析→内容拓展→参考阅读”的流程组织内容，清楚地讲解实战案例的实现过程。

斯沃纳·古普塔（Swarna Gupta），计算机科学学士学位，在数据科学领域拥有6年的工作经验。她目前在劳斯莱斯公司担任数据科学家，主要工作是利用深度学习和机器学习为企业创造价值。她在汽车远程信息处理和太阳能光伏制造行业广泛开展基于物联网应用的项目。她在劳斯莱斯公司工作以来，开发了应用于航空航天领域的基于深度学习技术的先进的数据分析系统。斯沃纳还会从繁忙的工作中抽出时间，定期为一些社会组织提供无偿技术服务，借助数据科学和机器学习技术帮助他们解决具体的商业问题。

第1章 理解人工神经网络和深度神经网络
1.1 配置环境
1.1.1 准备工作
1.1.2 操作步骤
1.1.3 原理解析
1.1.4 内容拓展
1.1.5 参考阅读
1.2 神经网络的Keras实现
1.3 序贯模型API
1.3.1 准备工作
1.3.2 操作步骤
1.3.3 原理解析
1.3.4 内容拓展
1.3.5 参考阅读
1.4 函数式API
1.4.1 操作步骤
1.4.2 原理解析
1.4.3 内容拓展
1.5 TensorFlow Estimator API
1.5.1 准备工作
1.5.2 操作步骤
1.5.3 原理解析
1.5.4 内容拓展
1.5.5 参考阅读
1.6 TensorFlow Core API
1.6.1 准备工作
1.6.2 操作步骤
1.6.3 原理解析
1.7 实现单层神经网络
1.7.1 准备工作
1.7.2 操作步骤
1.7.3 原理解析
1.7.4 内容拓展
1.7.5 参考阅读
1.8 实现第一个深度神经网络
1.8.1 准备工作
1.8.2 操作步骤
1.8.3 原理解析
1.8.4 内容拓展
1.8.5 参考阅读
第2章 卷积神经网络实战
2.1 卷积运算导论
2.1.1 准备工作
2.1.2 操作步骤
2.1.3 原理解析
2.1.4 内容拓展
2.1.5 参考阅读
2.2 理解卷积步幅和填充
2.2.1 操作步骤
2.2.2 原理解析
2.3 掌握池化层
2.3.1 准备工作
2.3.2 操作步骤
2.3.3 原理解析
2.3.4 内容拓展
2.3.5 参考阅读
2.4 实现迁移学习
2.4.1 准备工作
2.4.2 操作步骤
2.4.3 原理解析
2.4.4 内容拓展
2.4.5 参考阅读
第3章 循环神经网络实战
3.1 使用RNN实现情感分类
3.1.1 准备工作
3.1.2 操作步骤
3.1.3 原理解析
3.1.4 内容拓展
3.1.5 参考阅读
3.2 使用LSTM实现文本生成
3.2.1 准备工作
3.2.2 操作步骤
3.2.3 原理解析
3.2.4 内容拓展
3.2.5 参考阅读
3.3 使用GRU实现时间序列预测
3.3.1 准备工作
3.3.2 操作步骤
3.3.3 原理解析
3.3.4 内容拓展
3.3.5 参考阅读
3.4 实现双向循环神经网络
3.4.1 操作步骤
3.4.2 原理解析
3.4.3 内容拓展
第4章 使用Keras实现自动编码器
4.1 实现基本自动编码器
4.1.1 准备工作
4.1.2 操作步骤
4.1.3 原理解析
4.1.4 内容拓展
4.2 降维自动编码器
4.2.1 准备工作
4.2.2 操作步骤
4.2.3 原理解析
4.2.4 内容拓展
4.3 去噪自动编码器
4.3.1 准备工作
4.3.2 操作步骤
4.3.3 原理解析
4.3.4 内容拓展
4.4 自动编码器的黑白图像着色实战
4.4.1 准备工作
4.4.2 操作步骤
4.4.3 原理解析
4.4.4 参考阅读
第5章 深度生成模型
5.1 使用GAN生成图像
5.1.1 准备工作
5.1.2 操作步骤
5.1.3 原理解析
5.1.4 内容拓展
5.1.5 参考阅读
5.2 实现深度卷积生成对抗网络
5.2.1 准备工作
5.2.2 操作步骤
5.2.3 原理解析
5.2.4 内容拓展
5.2.5 参考阅读
5.3 实现变分自动编码器
5.3.1 准备工作
5.3.2 操作步骤
5.3.3 原理解析
5.3.4 参考阅读
第6章 使用大规模深度学习处理大数据
6.1 基于亚马逊云服务的深度学习
6.1.1 准备工作
6.1.2 操作步骤
6.1.3 原理解析
6.2 基于微软Azure平台的深度学习
6.2.1 准备工作
6.2.2 操作步骤
6.2.3 原理解析
6.2.4 内容拓展
6.2.5 参考阅读
6.3 基于谷歌云平台的深度学习
6.3.1 准备工作
6.3.2 操作步骤
6.3.3 原理解析
6.3.4 内容拓展
6.4 基于MXNet的深度学习
6.4.1 准备工作
6.4.2 操作步骤
6.4.3 原理解析
6.4.4 内容拓展
6.5 使用MXNet实现深度学习网络
6.5.1 准备工作
6.5.2 操作步骤
6.5.3 原理解析
6.6 使用MXNet实现预测建模
6.6.1 准备工作
6.6.2 操作步骤
6.6.3 原理解析
第7章 自然语言处理
7.1 神经机器翻译
7.1.1 准备工作
7.1.2 操作步骤
7.1.3 原理解析
7.1.4 内容拓展
7.1.5 参考阅读
7.2 使用深度学习生成文本摘要
7.2.1 准备工作
7.2.2 操作步骤
7.2.3 原理解析
7.2.4 内容拓展
7.2.5 参考阅读
7.3 语音识别
7.3.1 准备工作
7.3.2 操作步骤
7.3.3 原理解析
7.3.4 内容拓展
第8章 深度学习之计算机视觉实战
8.1 目标定位
8.1.1 准备工作
8.1.2 操作步骤
8.1.3 原理解析
8.1.4 内容拓展
8.2 人脸识别
8.2.1