近年來，深度學習的相關演算法已被廣泛使用在電腦視覺(computer vision)、神經機器翻譯(neural machine translation)、神經風格轉換(neural style transfer)及聊天機器人(chatbots)等的應用。
雖然網路上已經提供了許多深度學習的各種演算法程式，但若只會使用程式卻不瞭解各種演算法的內涵，對於深度學習的領域只能是見樹不見林，無法真正體會深度學習的精要，亦無法有更深入的應用。因此，本書以人工智慧及深度學習的理論基礎著手，來陳述各種人工智慧演算法的理論基礎及完整數學推導過程，並輔以Python來進行各演算法的實踐，以達到精通人工智慧演算法的目的。
本書特色：
•從深度學習的預備知識開始，帶領讀者具備進入深度學習的領域知識。
•提供各種演算法的手算範例，讓讀者更能理解各演算法的過程。
•除介紹在深度學習已常用的方法外，更加介紹新近的各種演算法。
•推導各種演算法的梯度過程，使讀者更深入瞭解演算法的數理過程。
•各章節提供數個Python範例，完整帶領讀者使用深度學習來解決各類問題。

chapter 01　深度學習的預先知識
　1-1 線性代數 (Linear Algebra)
　1-2 微積分 (Calculus)
　1-3 最佳化理論
　1-4 統計學
　1-5 Python 程式語言介紹
chapter 02　前饋式神經網路
　2-1 感知機
　2-2 多層感知機
　2-3 深度前饋式神經網路
　2-4 深度神經網路的梯度下降方式
　2-5 過適化問題 (Overfitting Problem)
　2-6 程式範例
chapter 03　卷積神經網路
　3-1 卷積神經網路架構
　3-2 倒傳遞法進行參數更新
　3-3 數值範例
　3-4 殘差網路
　3-5 程式範例
chapter 04　遞迴式神經網路
　4-1 遞迴式神經網路
　4-2 序列學習 (Sequential Learning)
　4-3 Elman 神經網路理論模型
　4-4 長短期記憶 (Long Short-Term Memory, LSTM) 模型
　4-5 Peephole 長短期記憶 (Peephole LSTM) 模型
　4-6 GRU (Gated Recurrent Unit) 模型
　4-7 雙向 LSTM (Bidirectional LSTM)
　4-8 程式範例
chapter 05　侷限型波茲曼模型、深度信念網路及自編碼器
　5-1 侷限型波茲曼模型 (Restricted Boltzmann Machines, RBM)
　5-2 深度信念網路 (Deep Belief Networks, DBN)
　5-3 自編碼器 (Autoencoders)
　5-4 程式範例
chapter 06　其他網路模型
　6-1 自迴歸模型 (Autoregressive Models)
　6-2 自生成模型 (Generative Models)
　6-3 神經圖靈機
　6-4 注意力模型 (Attention-based Models)
　6-5 程式範例
chapter 07　強化學習
　7-1 馬可夫決策過程
　7-2 Bellman 方程式
　7-3 深度 Q- 網路 (Deep Q-Network, DQN)
　7-4 政策梯度 (Policy gradients)
　7-5 Advantage Actor-Critic (A2C) Methods
　7-6 程式範例