| 第二章 线性代数 |
| 第三章 概率与信息论 |
| 第四章 数值计算 |
| 第五章 机器学习基础 |
| 第六章 深度前馈网络 |
| 第七章 深度学习中的正则化 |
| 第八章 深度模型中的优化 |
| 第九章 卷积网络 |
| 第十章 序列建模：循环和递归网络 |
| 第十一章 实践方法论 |
| 第十二章 应用 |
| 第十三章 线性因子模型 |
| 第十四章 自编码器 |
| 第十五章 表示学习 |
| 第十六章 深度学习中的结构化概率模型 |
| 第十七章 蒙特卡罗方法 |
| 第十八章 面对配分函数 |
| 第十九章 近似推断 |
| 第二十章 深度生成模型 |
| 第二章 线性代数 |
| 第三章 概率与信息论 |
| 第四章 数值计算 |
| 第五章 机器学习基础 |
| 第六章 深度前馈网络 |
| 第七章 深度学习中的正则化 |
| 第八章 深度模型中的优化 |
| 第九章 卷积网络 |
| 第十章 序列建模：循环和递归网络 |
| 第十一章 实践方法论 |
| 第十二章 应用 |
| 第十三章 线性因子模型 |
| 第十四章 自编码器 |
| 第十五章 表示学习 |
| 第十六章 深度学习中的结构化概率模型 |
| 第十七章 蒙特卡罗方法 |
| 第十八章 面对配分函数 |
| 第十九章 近似推断 |
| 第二十章 深度生成模型 |