这本书包含来自高度评价的资源的信息。已注明重印材料的来源。单篇文章的版权仍归如所示的作者所有，并根据创意共享许可发布。列出了各种各样的参考资料。我们已经做出合理努力来发布可靠的数据，章节中表达的观点是个别贡献者的，不一定是编辑或出版者的。编辑或出版者对发布章节中的信息的准确性或其使用后果不承担责任。出版商对于因使用本书中的任何材料、指示、方法或思想而对人或财产造成的任何损害或不满不承担任何责任。编辑和出版商已尝试追踪本出版物中复制材料的所有版权持有者，并向那些没有获得许可的版权持有者道歉。如果有任何版权持有者没有被致谢，请写信给我们，以便我们可以纠正。

深度学习是基于数据呈现的机器学习的一个分支，该数据呈现通过应用学习到的非线性变换获得的具有高度抽象的复杂表示。深度学习方法在人工智能的重要领域中都有应用，如：计算机视觉、自然语言处理、语音和声音理解以及生物信息学。深度学习是一类机器学习算法，其：

• 使用多层非线性处理单元来提取和转换特征。每个后续层都以前一层的输出元素为输入。
• 在有监督和/或无监督的方式下学习。
• 学习多个表示级别 - 对应于不同程度的抽象。
• 使用某种形式的下降梯度算法通过错误反向传播进行训练。深度编程中使用的层包括人工神经网络的隐藏层和多种声明式公式。

这本书重点介绍了最重要的判别式和生成式深度模型，并特别强调了实际实现。我们涵盖了经典神经网络的关键元素，并提供了构建块、正则化技术和特定于深度模型的学习方法的概述。此外，我们还考虑了深度卷积模型，并说明了它们在图像分类和自然语言处理中的应用。生成深度模型通常用于计算机视觉应用和自然语言处理。深度反馈神经网络的序列建模可以应用于自然语言处理领域。深度学习的实际实现是在现代动态语言（如Python、Lua或Julia）中完成的，也可以使用深度学习的应用框架（如Theano、TensorFlow、Torch）。 这一版本涵盖了从深度学习算法不同的主题，包括：深度学习的方法和途径、生物学中的深度学习应用、医学中的深度学习应用，以及模式识别系统中的深度学习应用。

第1节重点介绍了深度学习的方法和途径，描述了深度学习理论和应用的进展——2020年及以后的前景；多个深度确定性策略梯度算法的深度集成强化学习；稳定深度学习软件平台的动态决策制定；通过指数动量深度卷积神经网络进行高光谱数据分类；以及深度强化学习的集成网络架构。

第2节重点介绍了生物学中的深度学习应用，描述了使用深度学习进行鱼类检测；深度学习识别番茄叶病；在自然环境中对植物进行深度学习识别；以及将深度学习模型应用于鼠标行为识别。 第3节重点介绍了医学中的深度学习应用，描述了深度学习在神经放射学中的应用：使用迁移学习进行脑出血分类；深度学习在近距离治疗中的应用的回顾；探索深度学习和迁移学习对结肠息肉分类；以及脑-计算机接口的深度学习算法。

第4节重点介绍了模式识别系统中的深度学习应用，描述了深度学习在机场能见度预测中的应用；基于深度学习的面部识别的层次化表示特征；基于深度学习的文本情感分析研究回顾；使用深度学习对手写数字进行分类；以及基于深度学习方法的比特币价格预测。