深度学习是人工智能的核心技术，也是计算机科学的重要分支。本书作为该领域的入门教材，系统梳理和规划相关知识体系，内容上尽量覆盖近年来深度学习的主要常见模型和前沿热点。
全书共分13章，大致可以分为4个部分：第1部分（第1~3章）重点介绍机器学习/深度学习的基础概念；第2部分（第4~5章）介绍机器学习/深度学习的3大类基本问题，即分类、回归和聚类问题，并简要介绍浅层机器学习的若干常见方法作为铺垫；第3部分（第6~7章）为深度学习中的重要基础性知识，即神经网络的优化方法和感知机模型；第4部分（第8~13章）为深度学习的主要常见模型与方法，包括建模序列数据的神经网络、卷积神经网络、预训练方法、图神经网络、生成式神经网络、从强化学习到深度强化学习等。本书每章均附有习题，重要内容均配有编程练习题以及用Python语言编写的参考例程，可供读者阅读或者练习，以加深对相关内容的理解。
本书思维脉络清晰，图文并茂，层层递进，可读性好。本书可作为高等学校计算机、人工智能、自动化、电子和通信等相关专业的本科生或者研究生的教材，也可供对深度学习/机器学习感兴趣的研究人员和工程技术人员阅读参考。
“深度学习基础”课程内容选材“与时俱进”，吸纳了近年来深度学习研究的最新模型和研究进展，如循环神经网络（包括LSTM，GRU框架等）、卷积神经网络、递归神经网络、变分自动编码器、生成对抗网络等。本课程的内容由浅入深，从一个简单的例子入手，生动形象地介绍了什么是机器学习，逐步引出深度学习的概念。对于深度学习的重要理论均配以代码并详细讲解，代码以目前最热的Python作为主编程语言，并辅之以运行效果的演示。课程还制作设计了大量的图及动画，如例图、模型图等，并以图来辅助内容的展示和讲解，方便教学。
本课程既适合作为高等院校计算机、人工智能等专业的教学资源，也可供对深度学习感兴趣的研究人员和工程技术人员阅读参考。
