前言 本书结合实际应用介绍神经网络和深度学习等技术领域相关信息，从结构上重点介绍了前馈型神经网络、反馈型神经网络，以及自组织竞争型神经网络，并针对当下深度学习中比较重要的网络进行了详细介绍，包括卷积神经网络、循环（递归）神经网络、深度信念网络、生成对抗网络，以及深度强化学习。本书不仅能让读者对当前神经网络和深度学习技术有体系的认知，更能让读者在人工智能领域进行一些深入思考。 读者对象 ● 对神经网络、深度学习以及人工智能有兴趣的读者； ● 对算法以及机器学习领域有兴趣的读者； ● 互联网行业不同层次的从业者； ● 软件工程或计算机相关专业的在校学生。 本书特色 书中内容紧密结合当前一线工程师工作研究成果，是对当前神经网络和深度学习的完整性原理介绍和实践分析。本书充分利用了最新技术发展的应用成果，不仅结合原理分析，还结合案例进行辅助理解。 本书介绍的相关深度学习技术广泛应用于各个领域，可以在自然语言处理、计算机视觉、文本分析等领域中应用，在当前甚至未来三到五年，都具有实际意义。 本书结构 本书按照由浅入深、循序渐进的顺序对神经网络和深度学习的内容进行介绍。全书共分为三篇，分别从基础、进阶、高阶三个层次逐步展开，总共12章，各章的主要内容如下。 第1章阐述了在当前时代背景下，神经网络和人工智能的发展历程，针对未来人工智能极可能改变的领域进行了深入介绍，并介绍了深度学习与机器学习的关系，以及深度学习与人工智能的关系。 第2章介绍了神经网络和深度学习的数学基础，从向量、矩阵、导数、数值计算、概率分布、参数估计等方面进行了详细介绍，为学习后续内容奠定基础。 第3章重点介绍了机器学习的基础内容，神经网络和深度学习都属于机器学习中的内容，包括拟合问题、交叉检验、产生式与判别式模型等，有助于加强对神经网络和深度学习的理解。 第4章介绍了神经网络的基础，包括神经网络中常见的学习方法以及神经…