Abaixo você encontra o índice dos capítulos do livro:
Capítulo 1 – Deep Learning e a Tempestade Perfeita
Capítulo 2 – Uma Breve História das Redes Neurais Artificiais
Capítulo 3 – O Que São Redes Neurais Artificiais Profundas ou Deep Learning?
Capítulo 4 – O Neurônio, Biológico e Matemático
Capítulo 5 – Usando Redes Neurais Para Reconhecer Dígitos Manuscritos
Capítulo 6 – O Perceptron – Parte 1
Capítulo 7 – O Perceptron – Parte 2
Capítulo 8 – Função de Ativação
Capítulo 9 – A Arquitetura das Redes Neurais
Capítulo 10 – As Principais Arquiteturas de Redes Neurais
Capítulo 11 – Design De Uma Rede Neural Para Reconhecimento de Dígitos
Capítulo 12 – Aprendizado Com a Descida do Gradiente
Capítulo 13 – Construindo Uma Rede Neural Com Linguagem Python
Capítulo 14 – Algoritmo Backpropagation Parte 1 – Grafos Computacionais e Chain Rule
Capítulo 15 – Algoritmo Backpropagation Parte 2 – Treinamento de Redes Neurais
Capítulo 16 – Algoritmo Backpropagation em Python
Capítulo 17 – Cross-Entropy Cost Function
Capítulo 18 – Entropia Cruzada Para Quantificar a Diferença Entre Distribuições de Probabilidade
Capítulo 19 – Overfitting e Regularização – Parte 1
Capítulo 20 – Overfitting e Regularização – Parte 2
Capítulo 21 – Afinal, Por Que a Regularização Ajuda a Reduzir o Overfitting?
Capítulo 22 – Regularização L1
Capítulo 23 – Como Funciona o Dropout?
Capítulo 24 – Expandir Artificialmente os Dados de Treinamento
Capítulo 25 – Inicialização de Pesos em Redes Neurais Artificiais
Capítulo 26 – Como Escolher os Hiperparâmetros de Uma Rede Neural
Capítulo 27 – A Taxa de Aprendizado de Uma Rede Neural
Capítulo 28 – Usando Early Stopping Para Definir o Número de Épocas de Treinamento
Capítulo 29 – Definindo o Tamanho do Mini-Batch
Capítulo 30 – Variações do Stochastic Gradient Descent – Hessian Optimization e Momentum