《深入浅出深度学习：从逻辑运算到人工智能》讲解生动，清晰简明，介绍深度学习前沿的连接模型，讨论非常流行的算法和架构，分析深度学习和连接的有趣开放性研究问题。
《深入浅出深度学习：从逻辑运算到人工智能》涉及卷积网络、LSTM、Word2vec、RBM、DBN、神经图灵机、记忆网络和编码机等概念，主题包括机器学习基础知识、深度学习的数学和计算知识、前馈神经网络、卷积神经网络、前馈神经网络的循环连接、自动编码机等。
《深入浅出深度学习》首先对人工智能和深度学习的历史发展做了简单介绍，然后介绍一些必需的数学概念，接着为大家提供了机器学习的基础知识，随后详细介绍几种神经网络模型以及不同的神经网络体系结构。从结构上来说，是非常合理的。从全局到细微，由表及里，引导大家逐步深入了解所介绍的内容。无论是初学者，还是有一定经验的用户，都可以从中受益良多。另外，对于超出本书介绍范围的内容作者还推荐了一些参考著作,使有兴趣和有能力的读者可以进一步拓展知识范围从而对相关内容有更全面、更深入的了解。
大家应该都听说过，在2016年，GoogleDeepMind的AlphaGo与韩国围棋大师李世石九段进行了著名的人机大战，并且取得完胜。媒体描述AlphaGo的胜利时，都提到了人工智能（Artificial Intelligence，AI）、机器学习（Machine Learning）和深度学习（Deep Learning）。这三者既有联系，又有区别，它们在AlphaGo击败李世石的过程中都起到了作用。实际上，近些年，这三者充斥着现实世界，机器人、无人驾驶汽车、无人机等，无不是这些知识的应用。可以说，它们已经实实在在地走入了我们的生活。
人工智能为机器赋予人的智能，过去几年，尤其是2015年以来，由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效，再加上存储能力的不断提升和大数据时代的到来，人工智能开始迎来大爆发。作为新时代的大学生或科技工作者，人工智能、深度学习等已经成为必不可少的技能。本书可以对大家学习这些内容助一臂之力。
本书首先对人工智能和深度学习的历史发展做了简单介绍，然后介绍一些必需的数学概念，接着为大家提供了机器学习的基础知识，随后详细介绍几种神经网络模型以及不同的神经网络体系结构。从结构上来说，是非常合理的。从全局到细微，由表及里，引导大家逐步深入了解所介绍的内容。无论是初学者，还是有一定经验的用户，都可以从中受益良多。另外，对于超出本书介绍范围的内容，作者还推荐了一些参考著作，使有兴趣和有能力的读者可以进一步拓展知识范围，从而对相关内容有更全面、更深入的了解。
本书语言通俗易懂，把各种术语和概念解释得透彻明了，在适当的地方还配以图表，让读者有更直观的认识。另外，对于示例代码，作者给出了较详细的解释说明，读者可以清楚地了解每一行代码所实现的功能以及其中的逻辑结构，为以后自己编写代码打下坚实基础。
桑德罗·斯卡尼，博士，克罗地亚萨格勒布大学的逻辑学助理教授,同时还是克罗地亚萨格勒布代数学院的数据科学讲师。他拥有GitHub北极代码库贡献者勋章（ArcticCode Vault Contributor）。
目 录
第1章 从逻辑学到认知科学 1
1.1 人工神经网络的起源 1
1.2 异或(XOR)问题 6
1.3 从认知科学到深度学习 8
1.4 总体人工智能景观中的神经网络 12
1.5 哲学和认知概念 13
第2章 数学和计算先决条件 17
2.1 求导和函数极小化 17
2.2 向量、矩阵和线性规划 26
2.3 概率分布 34
2.4 逻辑学和图灵机 41
2.5 编写Python代码 44
2.6 Python编程概述 46
第3章 机器学习基础知识 55
3.1 基本分类问题 55
3.2 评估分类结果 61
3.3 一种简单的分类器：朴素贝叶斯 64
3.4 一种简单的神经网络：逻辑回归 67
3.5 MNIST数据集简介 73
3.6 没有标签的学习：k均值 76
3.7 学习不同的表示形式：PCA 78
3.8 学习语言：词袋表示 81
第4章 前馈神经网络 85
4.1 神经网络的基本概念和术语 85
4.2 使用向量和矩阵表示网络分量 88
4.3 感知器法则 90
4.4 Delta法则 93
4.5 从逻辑神经元到反向传播 95
4.6 反向传播 100
4.7 一个完整的前馈神经网络 110
第5章 前馈神经网络的修改和扩展 113
5.1 正则化的概念 113
5.2 L1和L2正则化 115
5.3 学习率、动量和丢弃 117
5.4 随机梯度下降和在线学习 123
5.5 关于多个隐藏层的问题：梯度消失和梯度爆炸 124
第6章 卷积神经网络 127
6.1 第三次介绍逻辑回归 127
6.2 特征图和池化 131
6.3 一个完整的卷积网络 133
6.4 使用卷积网络对文本进行分类 136
第7章 循环神经网络 141
7.1 不等长序列 141
7.2 使用循环神经网络进行学习的三种设置 143
7.3 添加反馈环并展开神经网络 145
7.4 埃尔曼网络 146
7.5 长短期记忆网络 148
7.6 使用循环神经网络预测后续单词 151
第8章 自动编码器 161
8.1 学习表示 161
8.2 不同的自动编码器体系结构 164
8.3 叠加自动编码器 166
8.4 重新创建猫论文 170
第9章 神经语言模型 173
9.1 词嵌入和词类比 173
9.2 CBOW和Word2vec 174
9.3 Word2vec代码 176
9.4 单词领域概览：一种摒弃符号AI的观点 179
第10章 不同神经网络体系结构概述 183
10.1 基于能量的模型 183
10.2 基于记忆的模型 186
10.3 通用联结主义智能的内核：bAbI数据集 189
第11章 结论 193
11.1 开放性研究问题简单概述 193
11.2 联结主义精神与哲学联系 194
书单推荐
