Der Text bietet mathematische und konzeptionelle Hintergrundinformationen und deckt relevante Konzepte der linearen Algebra, der Wahrscheinlichkeitstheorie und Informationstheorie, der numerischen Berechnung und des maschinellen Lernens ab. Es beschreibt Deep-Learning-Techniken, die von Praktikern in der Industrie verwendet werden, einschließlich Deep-Feedforward-Netzwerke, Regularisierung, Optimierungsalgorithmen, Faltungsnetzwerke, Sequenzmodellierung und praktische Methodik; und es untersucht Anwendungen wie die Verarbeitung natürlicher Sprache, Spracherkennung, Computer Vision, Online-Empfehlungssysteme, Bioinformatik und Videospiele. Abschließend bietet das Buch Forschungsperspektiven und deckt theoretische Themen wie lineare Faktormodelle, Autoencoder, Repräsentationslernen, struktur.
