Este livro fornece uma exploração abrangente da aprendizagem profunda, começando com os conceitos básicos de redes neurais, incluindo o algoritmo perceptron e técnicas-chave como feed-forward e backpropagation, otimização e regularização. O livro aprofunda os fundamentos da aprendizagem profunda, abrangendo conceitos importantes como a descida do gradiente, a retropropagação e soluções para desafios como o problema do gradiente de fuga. O livro introduz depois as redes neuronais convolucionais (CNN), explicando as suas arquitecturas, camadas de convolução e de pooling e aplicações como a aprendizagem por transferência para a classificação de imagens. Além disso, aborda arquitecturas avançadas de aprendizagem profunda, como LSTMs, GRUs e autoencoders, incluindo vários tipos, como redes generativas esparsas, de remoção de ruído e adversárias. Por último, o livro aborda uma vasta gama de aplicações em aprendizagem profunda, desde o processamento e segmentação de imagens até à deteção de objectos, geração de vídeo para texto e sistemas de diálogo que utilizam LSTMs, fornecendo conhecimentos teóricos e práticos para a implementação de modelos de aprendizagem profunda.