추천의 말ㆍ베타리더의 말 = 4
책 소개 = 7
다루는 내용 소개 = 9
감사의 말 = 11
CHAPTER 0 들어가기 
  0.1 이 책의 구성 = 36
  0.2 인공지능과 머신러닝, 딥러닝 = 39
  0.3 동물의 신경세포, 뉴런 = 40
  0.4 인공 신경망의 기본 유닛, 퍼셉트론 = 42
  0.5 딥러닝을 위한 수학 = 43
  0.6 예제 실습 환경 소개 = 44
  0.7 마치며 = 45
PART Ⅰ 단층 퍼셉트론(SLP)
  CHAPTER 1 회귀 분석 : 전복의 고리 수 추정 신경망 = 50
  CHAPTER 2 이진 판단 : 천체의 펄서 여부 판정 신경망 = 90
  CHAPTER 3 선택 분류 : 철판 불량 상태 분류 신경망 = 126
PART Ⅱ 다층 퍼셉트론(MLP)
  CHAPTER 4 다층 퍼셉트론 기본 구조 : 세 가지 신경망의 재구성 = 152
  CHAPTER 5 다층 퍼셉트론 모델 구조 : 꽃 이미지 분류 신경망 = 182
  CHAPTER 6 복합 출력의 처리 방법 : 오피스31 다차원 분류 신경망 = 238
PART Ⅲ 합성곱 신경망(CNN)
  CHAPTER 7 간단한 합성곱 모델 : 꽃 이미지 분류 신경망 = 266
  CHAPTER 8 다섯 가지 정규화 확장 : 꽃 이미지 분류 신경망 = 328
  CHAPTER 9 인셉션 모델과 레스넷 모델 : 꽃 이미지 분류 신경망 = 362
PART Ⅳ 순환 신경망(RNN)
  CHAPTER 10 기본 셀 순환 신경망 : 오토마타 문장 판별 신경망 = 450
  CHAPTER 11 LSTM 순환 신경망 : 도시 소음 분류 신경망 = 490
  CHAPTER 12 CNN과 RNN의 결합 : 장면 전환 판별 신경망 = 528
PART Ⅴ 고급 응용 신경망 구조들
  CHAPTER 13 오토인코더 : 엠니스트 이미지 재현 및 분류 신경망 = 568
  CHAPTER 14 인코더-디코더 : 엠니스트 이미지 숫자 읽기 신경망 = 608
  CHAPTER 15 생성적 적대 신경망 : 회화 및 숫자 이미지 생성 신경망 = 650
찾아보기 = 680