前言

本书从深度学习的历史和数学知识出发，系统性地介绍了深度学习的原理、关键技术及相关应用。其中，重点介绍了卷积神经网络、反馈神经网络、自编码器、循环神经网络、生成对抗网络等业界流行的深度学习技术，以及业界主流的深度学习技术框架和知名的自动化机器学习平台产品，旨在帮助读者更直观地体验到深度学习技术的革新与精妙之处。本书共包括12章，主要内容如下：

第1章，主要介绍深度学习的基本概念、方法分类及历史渊源。

第2章，介绍理解深度学习所需的基本数据概念，包括线性代数、微积分、概率论与数理统计相关的数据知识。

第3章，介绍神经网络的基本概念和训练学习的算法。

第4～8章分别介绍了卷积神经网络、反馈神经网络、自编码器、循环神经网络和生成对抗网络的基本原理、网络结构和应用案例。

第9章，介绍深度学习实战过程中的注意事项和应用技巧。

第10章，介绍当前主流的深度学习开发框架（如TensorFlow和Caffe）的原理和应用。

第11章，介绍自动化机器学习的概念和几类知名平台的产品使用。

第12章，在回顾当前深度学习技术的发展现状的同时，展望了深度学习技术的应用前景和技术发展趋势。

本书由周中元、黄颖、张诚、周新著，力求将深度学习的概念和原理讲细讲透，对书中的每个公式都有详细的推导过程，语言通俗易懂，又不失严谨，并辅以大量图形说明，书中的应用实例都经过实际验证，适合各类读者阅读和参考。在阅读本书时，建议采用通读和精读相结合的学习方法：第一遍通读全书时，以厘清基本概念，初步掌握深度学习方法和应用场景为主；第二遍可针对书中介绍的算法公式加深理解，细究其推导过程，并选择感兴趣的例子去进一步实践。

由于编者时间有限，书中错误之处在所难免，恳请读者批评指正。

作者