کتاب یادگیری عمیق در MATLAB اثر فیل کیم، از شش فصل تشکیل شده که به سه موضوع اختصاص دارد. اولین موضوع یادگیری ماشینی است که در فصل ۱ به آن پرداخته شده است. یادگیری عمیق از یادگیری ماشین نشأت می‌گیرد. این امر بدین معنی است که اگر قصد دارید، ماهیت یادگیری عمیق را متوجه شوید، فلسفه وجودی یادگیری ماشینی را باید تا حدی بدانید. مطالب فصل ۱ با رابطه بین یادگیری ماشینی و یادگیری عمیق شروع شده و متعاقب آن، استراتژی‌های حل مسئله و محدودیت‌های یادگیری ماشینی مطرح می‌شود. تفصیل روش‌ها در این فصل آورده نشده است. به‌جای آن، مفاهیم بنیادی قابل کاربرد برای هر دو زمینه یادگیری ماشینی و یادگیری عمیق پوشش داده می‌شود. موضوع دوم، شبکه‌عصبی مصنوعی است که در فصول ۴-۲ به آن پرداخته می‌شود. با توجه به اینکه یادگیری‌عمیق نوعی از یادگیری ماشینی است که در آن از شبکه عصبی استفاده می‌شود، شبکه‌عصبی جزء لاینفک یادگیری‌عمیق است. در فصل ۲، مبانی، اصول عملکرد، آرشیتکت، و قواعد یادگیری شبکه‌عصبی ارایه می‌شود. در فصل ۳، الگوریتم پس‌انتشار مطرح می‌شود که قاعده مهم و معرّف شبکه‌عصبی بوده و در یادگیری عمیق نیز به‌کار گرفته می‌شود. در این فصل، نحوه ارتباط توابع هزینه و قواعد یادگیری توضیح داده شده و راجع به توابع هزینه متداول در یادگیری‌عمیق، صحبت می‌شود. در فصل ۴ در مورد کاربرد شبکه‌عصبی برای مسائل دسته‌بندی توضیحات لازم ارایه می‌شود. بخش مجزایی برای دسته‌بندی اختصاص داده شده چون این جنبه در حال حاضر متداول‌ترین کاربرد یادگیری ماشینی است. به‌عنوان مثال، شناخت تصویر، که یکی از کاربردهای اصلی یادگیری عمیق است، نوعی از دسته‌بندی به‌شمار می‌رود. سومین موضوع یادگیری‌عمیق بوده که مبحث اصلی این کتاب است و در فصول ۵ و ۶ پوشش داده شده است. در فصل ۵، عوامل اصلی توانمندسازی یادگیری‌عمیق برای دست‌یابی به عملکرد عالی معرفی می‌‌شوند. برای شناخت بهتر، تاریخچه‌ای از موانع و راه‌حل‌های ارایه شده توسط یادگیری‌عمیق، ارایه شده است. در فصل ۶ شبکه‌عصبی کانولوشنی مطرح شده که معرّف روش‌های یادگیری‌عمیق است. از جنبه شاخت تصویر، رقیبی در حال حاضر برای شبکه‌عصبی کانولوشنی وجود ندارد. این فصل، با معرفی مفاهیم بنیادی و پیکره‌بندی شبکه‌عصبی کانولوشنی شروع شده و در ادامه با دیگر الگوریتم‌های شناخت تصویر، مقایسه صورت می‌گیرد. متعاقب آن، توضیحی در مورد نقش و عملیات لایه کانولوشن و لایه تجمیع صورت گرفته که از اجزاء اصلی شبکه‌عصبی کانولوشنی هستند. در خاتمه این فصل، مثالی از شناخت تصویر اعداد با استفاده از شبکه‌عصبی کانولوشنی ارایه شده و شیوه شکل‌گیری تدریجی تصویر در مراحل مختلف لایه‌ها نشان داده می‌شود.