深度學習是目前人工智慧裡最熱門的領域之一，許多生活上的應用，如語言翻譯、語音識別、圖形識別、物件偵測、圖像生成等，皆運用了深度學習的技術，而取得重大的突破。
 
　　在學習開發深度學習演算法時，首先要選擇開發工具與環境。市面上有許多開發深度學習技術的套件，如Tensorflow、Keras、PyTorch、MXNet等，這些工具雖然大幅降低進入深度學習技術的門檻，但仍有環境設置困難、套件版本不一等缺點。而Matlab具有便利簡單的語言與環境，為了讓讀者能輕鬆進入深度學習領域，本書使用Matlab程式語言來進行深度學習的開發與應用，並以初學者的角度講解，讓讀者可以輕鬆建構深度學習的概念。此外，本書介紹許多Matlab應用於深度學習的相關範例，使讀者累積應用的能力。

第一章 環境建置
1-1 MATLAB 介紹
1-2 MATLAB 與相關工具箱安裝
1-3 深度學習相關套件安裝
1-4 GPU 加速運算介紹

第二章 數據標記與常見工具介紹
2-1 基本資料標記(How to label image data into MATLAB)
2-2 影像感興趣區域標記
2-3 圖像預處理
2-4 資料擴增(Data Augmentation)

第三章 深度學習常見模型與函式語法介紹
3-1 卷積神經網路(convolution neural network, CNN)
3-2 卷積神經網路網路模型相關函式語法介紹
3-3 遞歸神經網路(recurrent neural network, RNN)
3-4 遞歸神經網路模型相關函式語法介紹
3-5 自動編碼器介紹(auto encoder)
3-6 自動編碼器相關函式語法與範例介紹

第四章 網路訓練參數與資料擴增之相關函式語法介紹
4-1 訓練網路的相關參數設置
4-2 模型預測與效能評估
4-3 圖像資料擴增

第五章 預訓練模型與遷移式學習
5-1 預訓練模型
5-2 遷移式學習(transfer learning)

第六章 Deep Network Designer
6-1 建立網路模型
6-2 修正模型
6-3 使用Deep Network Designer 進行遷移學習

第七章 Experiment Manager
7-1 Experiment Manager 介面
7-2 使用Experiment Manager 訓練深度學習網路用於分類問題
7-3 使用Experiment Manager 訓練深度學習網路用於迴歸問題
7-4 使用多個預訓練模型進行遷移學習

第八章 CNN 實戰範例
8-1 CIFAR-10 圖像分類
8-2 檢查點(Checkpoint)設置
8-3 深度學習應用於網路攝影機影像分類
8-4 卷積經神經網路的學習內容可視化
8-5 深度學習應用於物件偵測
8-6 深度學習應用於語義分割

第九章 LSTM 實戰範例
9-1 深度學習應用於時間序列
9-2 序列的分類範例
9-3 序列到序列使用LSTM 的人類動作分類(human activity)
9-4 序列到序列的迴歸範例

第十章 進階範例-生成式網路
10-1 自定義的網路訓練迴圈
10-2 生成對抗網路
10-3 常見的GAN 訓練失敗模式
10-4 條件式生成對抗網路
10-5 神經風格轉換
10-6 後語