Ce livre propose une exploration complète de l'apprentissage profond, en commençant par les bases des réseaux neuronaux, y compris l'algorithme du perceptron et les techniques clés telles que la rétro-propagation, l'optimisation et la régularisation. Il se penche sur les fondements de l'apprentissage profond, couvrant des concepts importants tels que la descente de gradient, la rétropropagation et les solutions à des défis tels que le problème du gradient qui s'évanouit. Le livre présente ensuite les réseaux neuronaux convolutifs (CNN), expliquant leurs architectures, les couches de convolution et de mise en commun, et les applications telles que l'apprentissage par transfert pour la classification d'images. En outre, il couvre les architectures d'apprentissage profond avancées telles que les LSTM, les GRU et les autoencodeurs, y compris divers types tels que les réseaux génératifs épars, de débruitage et adversaires. Enfin, le livre aborde un large éventail d'applications de l'apprentissage profond, du traitement et de la segmentation d'images à la détection d'objets, à la génération de texte vidéo et aux systèmes de dialogue utilisant des LSTM, en fournissant à la fois une compréhension théorique et des idées pratiques pour la mise en oeuvre de modèles d'apprentissage profond.