本书从基本概念和理论入手，通过近千张图和简单的例子由浅入深地讲解深度学习的相关知识，且不涉及复杂的数学内容。
本书分为上下两册。上册着重介绍深度学习的基础知识，旨在帮助读者建立扎实的知识储备，主要介绍随机性与基础统计学、训练与测试、过拟合与欠拟合、神经元、学习与推理、数据准备、分类器、集成算法、前馈网络、激活函数、反向传播等内容。下册介绍机器学习的 scikit-learn 库和深度学习的 Keras 库（这两种库均基于 Python 语言），以及卷积神经网络、循环神经网络、自编码器、强化学习、生成对抗网络等内容，还介绍了一些创造性应用，并给出了一些典型的数据集，以帮助读者更好地了解学习。
本书适合想要了解和使用深度学习的人阅读，也可作为深度学习教学培训领域的入门级参考用书。

上册
第1章 机器学习与深度学习入门
1.1 为什么这一章出现在这里
1.1.1 从数据中提取含义
1.1.2 专家系统
1.2 从标记数据中学习
1.2.1 一种学习策略
1.2.2 一种计算机化的学习策略
1.2.3 泛化
1.2.4 让我们仔细看看学习过程
1.3 监督学习
1.3.1 分类
1.3.2 回归
1.4 无监督学习
1.4.1 聚类
1.4.2 降噪
1.4.3 降维
1.5 生成器
1.6 强化学习
1.7 深度学习
1.8 接下来会讲什么
参考资料
第2章 随机性与基础统计学
2.1 为什么这一章出现在这里
2.2 随机变量
2.3 一些常见的分布
2.3.1 均匀分布
2.3.2 正态分布
2.3.3 伯努利分布
2.3.4 多项式分布
2.3.5 期望值
2.4 独立性
2.5 抽样与放回
2.5.1 有放回抽样
2.5.2 无放回抽样
2.5.3 做选择
2.6 Bootstrapping算法
2.7 高维空间
2.8 协方差和相关性
2.8.1 协方差
2.8.2 相关性
2.9 Anscombe四重奏
参考资料
第3章 概率
3.1 为什么这一章出现在这里
3.2 飞镖游戏
3.3 初级概率学
3.4 条件概率
3.5 联合概率
3.6 边际概率
3.7 测量的正确性
3.7.1 样本分类
3.7.2 混淆矩阵
3.7.3 混淆矩阵的解释
3.7.4 允许错误分类
3.7.5 准确率
3.7.6 精度
3.7.7 召回率
3.7.8 关于精度和召回率
3.7.9 其他方法
3.7.10 同时使用精度和召回率
3.7.11 f1分数
3.8 混淆矩阵的应用
参考资料
第4章 贝叶斯定理
4.1 为什么这一章出现在这里
4.2 频率论者法则以及贝叶斯法则
4.2.1 频率论者法则
4.2.2 贝叶斯法则
4.2.3 讨论
4.3 抛硬币
4.4 这枚硬币公平吗
4.4.1 贝叶斯定理
4.4.2 贝叶斯定理的注意事项
4.5 生活中的贝叶斯定理
4.6 重复贝叶斯定理
4.6.1 后验-先验循环
4.6.2 例子：挑到的是哪种硬币
4.7 多个假设
参考资料
第5章 曲线和曲面
5.1 为什么这一章出现在这里
5.2 引言
5.3 导数
5.4 梯度
参考资料
第6章 信息论
6.1 为什么这一章出现在这里
6.2 意外程度与语境
6.2.1 意外程度
6.2.2 语境
6.3 用比特作为单位
6.4 衡量信息

本书采用通俗易懂的讲解方式，搭配近千张图例与示例，深入浅出的讲述了深度学习的基本概念与理论知识，不涉及复杂的数学内容，零基础小白也能轻松掌握！