Das Buch gliedert sich in die folgenden Hauptthemen: Grundlagen neuronaler Netze, Faltungsneuronale Netze (CNNs), rekurrente neuronale Netze (RNNs), generative Modelle und Verstärkungslernen. Darüber hinaus behandeln wir auch fortgeschrittene Themen wie Aufmerksamkeitsmechanismus, Transformatorarchitektur, multimodales Lernen, Lernen mit wenigen Schüssen, gegnerische Beispiele und Verteidigungsmaßnahmen, Hyperparameterabstimmung und Regularisierungstechniken. Wir glauben, dass geometrische Intuition für das Verständnis von Deep-Learning-Konzepten unerlässlich ist, und wir bemühen uns, Visualisierungen zu verwenden, um den Lesern zu helfen, ein starkes mentales Modell der Konzepte aufzubauen. Das Buch bietet auch eine Programmierintuition, die den Lesern hilft zu verstehen, wie man Deep-Learning-Algorithmen mit populären Frameworks wie Tensor Flow oder Py Torch implementiert. Wir glauben, dass die Programmierintuition für die Leser entscheidend ist, um praktische Fähigkeiten zu entwickeln und Deep-Learning-Techniken auf reale Probleme anzuwenden.