Incluye referencias bibliográficas e índice.

1 An Introduction to Neural Networks -- 2 Machine Learning with Shallow Neural Networks -- 3 Training Deep Neural Networks -- 4 Teaching Deep Learners to Generalize -- 5 Radical Basis Function Networks -- 6 Restricted Boltzmann Machines -- 7 Recurrent Neural Networks -- 8 Convolutional Neural Networks -- 9 Deep Reinforcement Learning -- 10 Advanced Topics in Deep Learning.

Este libro cubre los modelos clásicos y modernos en el aprendizaje profundo. El enfoque principal est en la teoría y los algoritmos del aprendizaje profundo. La teoría y los algoritmos de las redes neuronales son particularmente importantes para comprender conceptos importantes, de modo que uno pueda comprender los conceptos de diseño importantes de las arquitecturas neuronales en diferentes aplicaciones. Por qué funcionan las redes neuronales? Cuándo funcionan mejor que los modelos estándar de aprendizaje automático? Cuándo es útil la profundidad? Por qué es tan difícil entrenar redes neuronales? Cuáles son las trampas? Las aplicaciones asociadas con muchas áreas diferentes como sistemas de recomendación, traducción automática, subtítulos de imágenes, clasificación de imágenes, juegos basados en aprendizaje por refuerzo y análisis de texto están cubiertos. Los capítulos de este libro abarcan tres categorías: Los fundamentos de las redes neuronales: muchos modelos tradicionales de aprendizaje automático pueden entenderse como casos especiales de redes neuronales. En los dos primeros capítulos se hace hincapié en comprender la relación entre el aprendizaje automático tradicional y las redes neuronales. Las máquinas de vectores de soporte, la regresión lineal / logística, la descomposición de valores singulares, la factorización matricial y los sistemas de recomendación son casos especiales de redes neuronales. Estos métodos se estudian junto con métodos recientes de ingeniería de características como word2vec.