1. 课程内容紧跟技术前沿。在基础知识的基础上，介绍主流的深度学习框架。2. 注重实践能力的培养。设计配套的实验内容，对案例的学习进行巩固，并进一步提升实践能力。3. 完备的教学内容和丰富的教学素材。包括教学PPT、实验指导、习题指导和知识点微课在内的教学素材，辅助答疑平台，兼顾课堂教学、课后实践和课外学习。

本书作为神经网络与深度学习领域的入门级教材，系统地梳理了神经网络和深度学习的知识体系，阐述了神经网络和深度学习的基础知识，对主要模型进行了重点介绍，并通过案例进行详细说明，以使读者能在学习基础理论知识的同时，掌握神经网络和深度学习模型的开发方法，且具备使用人工神经网络和深度学习模型解决实际问题的能力。 全书共9章。内容包括绪论、机器学习、人工神经网络、多层感知机、卷积神经网络、深度卷积神经网络、循环神经网络、深度生成模型、注意力机制与Transformer。 本书可作为高校人工智能、计算机、大数据等专业的本科生教材，也可供相关领域工程技术人员参考。张杲峰，兰州大学，兰州大学信息科学与工程学院讲师，担任“计算思维课程群基层教学组织”团队成员，主要从事深度学习与人工智能、计算机建模领域研究。主持国家重点实验室开放基金项目1项，参与“计算机科学拔尖创新人才培养模式的构建与实践”等教改项目。目 ???录第　一章 绪论（15_20页）1.1　人工智能1.1.1　人工智能的起源1.1.2　人工智能的发展与流派1.1.3　人工智能的社会、伦理问题1.2　机器学习1.3　人工神经网络1.3.1　人脑神经网络1.3.2　人工神经网络的产生1.3.3　人工神经网络的发展1.4　深度学习1.4.1　深度学习的产生和发展1.4.2　深度学习主要开发框架1.4.3　深度学习的应用现状1.5　本书的知识结构1.6　关键知识梳理1.7　问题与实践第二章　机器学习（20页）2.1　基本概念2.2　机器学习的类型和常见任务2.2.1　机器学习的类型2.2.2　机器学习的常见任务2.3　机器学习任务的基本流程2.4　模型评估与性能度量2.4.1　误差2.4.2　性能度量2.4.3　模型评估2.5　关键知识梳理2.6　问题与实践第三章　人工神经网络（20页）3.1　大脑与人工神经网络3.1.1　大脑3.1.2　人工神经网络3.2　感知机模型3.2.1　可学习的感知机3.2.2　利用感知机进行鸢尾花分类3.3　关键知识梳理3.4　问题与实践第四章　多层感知机（MLP）（25页）4.1　MLP的结构4.1.1　输入层4.1.2　输出层4.1.3　隐含层4.2　前馈算法4.3　反向传播算法4.3.1　梯度下降4.3.2　链式求导4.4　利用MLP进行手写字符识别4.5　关键知识梳理4.6　问题与实践第五章　卷积神经网络（CNN）（20页）5.1　全连接网络的弱点5.2　感受野与卷积5.2.1　感受野5.2.2　平移不变性与卷积5.2.3　尺度不变性与汇聚5.3　CNN的结构5.3.1　CNN的一般结构5.3.2　LeNet_5网络5.4　利用LeNet_5进行Cifar 10分类5.5　关键知识梳理5.6　问题与实践第六章　CNN的不同变体及应用（30页）6.1　VGG及其应用6.1.1　VGG的结构与特点6.1.2　VGG的应用案例6.2　GoogleNet及其应用6.2.1　Inception及GoogleNet的结构6.2.2　GoogleNet的应用案例6.3　ResNet及其应用6.3.1　ResNet的结构6.3.2　LResNet的应用案例6.4　关键知识梳理6.5　问题与实践第七章　循环神经网络（20页）7.1　序列数据与循环神经网络7.2　长程依赖与长短期记忆网络（LSTM）7.2.1　长程依赖7.2.2　LSTM7.3　LSTM应用案例7.4　关键知识梳理7.5　问题与实践第八章　深度生成模型（30页）8.1　生成模型8.2　自编码器（AE）8.3　变分自编码器（VAE）8.3.1　VAE的结构与原理8.3.2　VAE的应用案例8.4　对抗生成网络（GAN）8.4.1　GAN的结构与原理8.4.2　GAN的应用案例——风格迁移8.5　序列生成模型（seq2seq）及其应用案例8.6　关键知识梳理8.7　问题与实践第九章　注意力机制与Transformer（20页）9.1　注意力机制9.2　Transformer9.2.1　Transformer的原理9.2.2　Transformer的应用案例9.3　ViT9.3.1　ViT的原理9.3.2　ViT的应用案例9.4　关键知识梳理9.5　问题与实践