全書分為七部分：深度學習與深度置信網(wǎng)絡研究現(xiàn)狀、深度置信網(wǎng)絡參數(shù)自適應學習、自組織深度置信網(wǎng)絡、增量式深度置信網(wǎng)絡、生成式對抗性深度置信網(wǎng)絡、事件驅動的深度置信網(wǎng)，以及事件驅動的深度置信網(wǎng)絡預測控制。每一部分均在工業(yè)過程優(yōu)化運行中有相應實驗測試與應用實踐。從理論方法到應用實踐，書中的內容從基礎概念到最新進展均有涵蓋，使讀者可以根據(jù)需要靈活閱讀。1)系統(tǒng)性與全面性。本書遵循系統(tǒng)化的學習路徑進行編排，從網(wǎng)絡模型基礎到優(yōu)化設計前沿理論一一講解，內容全面，涵蓋了深度置信網(wǎng)絡參數(shù)學習、結構優(yōu)化、收斂性分析和預測控制的主要領域。全書內容科學分配，基礎與網(wǎng)絡礎到前沿技術一一講解，內容全面，科學分配，基礎理論與進階知識相結合，既適合初學者入門，也能為研究者提供最新的理論與方法參考。2)理論方法與應用測試相結合。在介紹每部分的創(chuàng)新性理論與方法時，都會結合其在工業(yè)過程應用中的測試實驗進行解釋，便于讀者在理論學習的同時積累具有針對性的應用實踐經(jīng)驗。同時，書中還提供了所提理論與方法的詳細數(shù)學描述及模型參數(shù)優(yōu)化建議，使讀者能夠迅速上手。3)最新進展的介紹。書中緊跟深度置信網(wǎng)絡和機器學習領域的最新研究進展，特別是對模型參數(shù)動態(tài)學習、結構自適應調整及模型預測控制等前沿主題的詳細介紹，幫助學生了解機器學習和深度神經(jīng)網(wǎng)絡的前沿動態(tài)，并了解這些進展在工業(yè)界和學術界的應用潛力。4)可解釋性與公平性討論。隨著信息科學和人工智能應用的廣泛落地，可解釋性和客觀性成為重要議題。書中不僅講解了模型本身，還詳細介紹了如何提升模型各方面性能的方法，并在工業(yè)過程具體應用場景中進行測試，通過對測試結果的系統(tǒng)性分析給出了一些實戰(zhàn)性結論、經(jīng)驗及注意事項，幫助讀者建立起負責任的機器學習研究理念。