《深入淺出深度學習：從邏輯運算到人工智能》講解生動，清晰簡明，介紹深度學習前沿的連接模型，討論非常流行的算法和架構，分析深度學習和連接的有趣開放性研究問題。
《深入淺出深度學習：從邏輯運算到人工智能》涉及卷積網絡、LSTM、Word2vec、RBM、DBN、神經圖靈機、記憶網絡和編碼機等概念，主題包括機器學習基礎知識、深度學習的數學和計算知識、前饋神經網絡、卷積神經網絡、前饋神經網絡的循環連接、自動編碼機等。
《深入淺出深度學習》首先對人工智能和深度學習的歷史發展做了簡單介紹，然后介紹一些必需的數學概念，接著為大家提供了機器學習的基礎知識，隨后詳細介紹幾種神經網絡模型以及不同的神經網絡體系結構。從結構上來說，是非常合理的。從全局到細微，由表及里，引導大家逐步深入了解所介紹的內容。無論是初學者，還是有一定經驗的用戶，都可以從中受益良多。另外，對于超出本書介紹范圍的內容作者還推薦了一些參考著作,使有興趣和有能力的讀者可以進一步拓展知識范圍從而對相關內容有更全面、更深入的了解。
大家應該都聽說過，在2016年，GoogleDeepMind的AlphaGo與韓國圍棋大師李世石九段進行了著名的人機大戰，并且取得完勝。媒體描述AlphaGo的勝利時，都提到了人工智能（Artificial Intelligence，AI）、機器學習（Machine Learning）和深度學習（Deep Learning）。這三者既有聯系，又有區別，它們在AlphaGo擊敗李世石的過程中都起到了作用。實際上，近些年，這三者充斥著現實世界，機器人、無人駕駛汽車、無人機等，無不是這些知識的應用。可以說，它們已經實實在在地走入了我們的生活。
人工智能為機器賦予人的智能，過去幾年，尤其是2015年以來，由于GPU的廣泛應用，使得并行計算變得更快、更便宜、更有效，再加上存儲能力的不斷提升和大數據時代的到來，人工智能開始迎來大爆發。作為新時代的大學生或科技工作者，人工智能、深度學習等已經成為必不可少的技能。本書可以對大家學習這些內容助一臂之力。
本書首先對人工智能和深度學習的歷史發展做了簡單介紹，然后介紹一些必需的數學概念，接著為大家提供了機器學習的基礎知識，隨后詳細介紹幾種神經網絡模型以及不同的神經網絡體系結構。從結構上來說，是非常合理的。從全局到細微，由表及里，引導大家逐步深入了解所介紹的內容。無論是初學者，還是有一定經驗的用戶，都可以從中受益良多。另外，對于超出本書介紹范圍的內容，作者還推薦了一些參考著作，使有興趣和有能力的讀者可以進一步拓展知識范圍，從而對相關內容有更全面、更深入的了解。
本書語言通俗易懂，把各種術語和概念解釋得透徹明了，在適當的地方還配以圖表，讓讀者有更直觀的認識。另外，對于示例代碼，作者給出了較詳細的解釋說明，讀者可以清楚地了解每一行代碼所實現的功能以及其中的邏輯結構，為以后自己編寫代碼打下堅實基礎。
桑德羅·斯卡尼，博士，克羅地亞薩格勒布大學的邏輯學助理教授,同時還是克羅地亞薩格勒布代數學院的數據科學講師。他擁有GitHub北極代碼庫貢獻者勛章（ArcticCode Vault Contributor）。
目 錄
第1章 從邏輯學到認知科學 1
1.1 人工神經網絡的起源 1
1.2 異或(XOR)問題 6
1.3 從認知科學到深度學習 8
1.4 總體人工智能景觀中的神經網絡 12
1.5 哲學和認知概念 13
第2章 數學和計算先決條件 17
2.1 求導和函數極小化 17
2.2 向量、矩陣和線性規劃 26
2.3 概率分布 34
2.4 邏輯學和圖靈機 41
2.5 編寫Python代碼 44
2.6 Python編程概述 46
第3章 機器學習基礎知識 55
3.1 基本分類問題 55
3.2 評估分類結果 61
3.3 一種簡單的分類器：樸素貝葉斯 64
3.4 一種簡單的神經網絡：邏輯回歸 67
3.5 MNIST數據集簡介 73
3.6 沒有標簽的學習：k均值 76
3.7 學習不同的表示形式：PCA 78
3.8 學習語言：詞袋表示 81
第4章 前饋神經網絡 85
4.1 神經網絡的基本概念和術語 85
4.2 使用向量和矩陣表示網絡分量 88
4.3 感知器法則 90
4.4 Delta法則 93
4.5 從邏輯神經元到反向傳播 95
4.6 反向傳播 100
4.7 一個完整的前饋神經網絡 110
第5章 前饋神經網絡的修改和擴展 113
5.1 正則化的概念 113
5.2 L1和L2正則化 115
5.3 學習率、動量和丟棄 117
5.4 隨機梯度下降和在線學習 123
5.5 關于多個隱藏層的問題：梯度消失和梯度爆炸 124
第6章 卷積神經網絡 127
6.1 第三次介紹邏輯回歸 127
6.2 特征圖和池化 131
6.3 一個完整的卷積網絡 133
6.4 使用卷積網絡對文本進行分類 136
第7章 循環神經網絡 141
7.1 不等長序列 141
7.2 使用循環神經網絡進行學習的三種設置 143
7.3 添加反饋環并展開神經網絡 145
7.4 埃爾曼網絡 146
7.5 長短期記憶網絡 148
7.6 使用循環神經網絡預測后續單詞 151
第8章 自動編碼器 161
8.1 學習表示 161
8.2 不同的自動編碼器體系結構 164
8.3 疊加自動編碼器 166
8.4 重新創建貓論文 170
第9章 神經語言模型 173
9.1 詞嵌入和詞類比 173
9.2 CBOW和Word2vec 174
9.3 Word2vec代碼 176
9.4 單詞領域概覽：一種摒棄符號AI的觀點 179
第10章 不同神經網絡體系結構概述 183
10.1 基于能量的模型 183
10.2 基于記憶的模型 186
10.3 通用聯結主義智能的內核：bAbI數據集 189
第11章 結論 193
11.1 開放性研究問題簡單概述 193
11.2 聯結主義精神與哲學聯系 194
新書資訊