★第1章：何謂深度學習？
1-1 人工智慧、機器學習與深度學習
1-2 機器學習的基礎技術
1-3 為什麼是深度學習？為什麼是現在？

★第2章：神經網路的數學概念
2-1 初探神經網路：第一隻神經網路
2-2 神經網路的資料表示法：張量Tensor
2-3 神經網路的工具：張量運算
2-4 神經網路的引擎：以梯度為基礎的最佳化
2-5 重新檢視我們的第一個例子

★第3章：Keras和TensorFlow簡介
3-1 TensorFlow是什麼？
3-2 Keras是什麼？
3-3 Keras與TensorFlow的戀愛史
3-4 設定深度學習工作站
3-5 使用TensorFlow的第一步
3-6 剖析神經網路：了解Keras API的核心

★第4章：開始使用神經網路：分類與迴歸問題
4-1 二元分類範例：將電影評論分類為正評或負評
4-2 多類別分類範例：分類數位新聞專欄
4-3 迴歸範例：預測房價

★第5章：機器學習的基礎
5-1 普適化：機器學習的終極目標
5-2 評估機器學習模型
5-3 提升模型的擬合表現
5-4 提高普適化能力

★第6章：機器學習的工作流程
6-1 定義任務
6-2 開發模型
6-3 部署模型

★第7章：深入探討Keras
7-1 Keras的工作流程
7-2 建構Keras模型的不同方法
7-3 使用內建的訓練與評估迴圈
7-4 設計自己的訓練及評估迴圈

★第8章：電腦視覺的深度學習簡介
8-1 卷積神經網路(CNN)
8-2 以少量資料集從頭訓練一個卷積神經網路
8-3 利用預先訓練好的模型

★第9章：電腦視覺的進階技巧
9-1 電腦視覺的三種基本任務
9-2 影像分割案例
9-3 現代卷積神經網路的架構模式
9-4 卷積神經網路學到了什麼？

★第10章：時間序列的深度學習
10-1 各種時間序列任務
10-2 溫度預測任務
10-3 認識循環神經網路(recurrent neural networks)
10-4 循環神經網路的進階運用

★第11章：文字資料的深度學習
11-1 概述自然語言處理(natural language processing, NLP)
11-2 準備文字資料
11-3 表示單字組的兩種方法：集合(set)及序列(sequence)
11-4 Transformer架構
11-5 文字分類之外的任務-以Seq2seq模型為例

★第12章：生成式深度學習
12-1 使用LSTM來生成文字資料
12-2 DeepDream
12-3 神經風格轉換
12-4 使用變分自編碼器(Variational AutoEncoder)生成影像
12-5 對抗式生成網路(GAN)簡介

★第13章：實務上的最佳實踐
13-1 讓模型發揮最大效用
13-2 擴大模型的訓練規模

★第14章：結語
14-1 回顧關鍵概念
14-2 深度學習的倨限性
14-3 為提高AI普適性設定方向
14-4 實踐智慧：缺少的成分
14-5 深度學習的未來
14-6 在快速發展的領域保持最新狀態