Sejumlah perusahaan raksasa telah sukses membangun banyak aplikasi berbasis deep learning (DL) yang impresif, penuh keajaiban. Kesuksesan ini merupakan hasil kerja keras selama bertahun-tahun dalam membangun sistem-sistem berbasis DL, mulai dari gagasan, arsitektur model, teknik pembelajaran, hingga framework sampai dihasilkan performansi yang mendekati, bahkan melebihi, kemampuan manusia. Konsep dan gagasan DL sebenarnya telah ada sejak lama. Sebagai contoh, Restricted Boltzmann Machines (RBM) merupakan pembaruan dari konsep Hopfield Network yang sangat populer di tahun 1980-an. Sejumlah RBM bisa ditumpuk menjadi beberapa lapisan. Penumpukan RBM ini ternyata memberikan peningkatan performansi yang sangat signifikan. Ide inilah yang menjadi titik awal munculnya DL. Selanjutnya, para pakar semakin bersemangat mengembangkan model-model DL yang lebih andal dengan melakukan pembaruan konsep-konsep dan ide-ide lama. Mereka mulai mengembangkan Stacked Autoencoders (SAE), Deep Belief Networks (DBN), Generative Adversarial Networks (GAN), Convolutional Neural Networks (CNN), Capsule Networks (CapsNet), Deep Recurrent Networks (DRN), Deep Reinforcement Learning (DRL), hingga Lifelong Learning (LL). Model-model ini mampu memberikan performansi mengagumkan dalam menangani himpunan data sangat besar. Jadi, DL bisa dikatakan sebagai modernisasi machine learning untuk menangani big data. Buku ini memberikan penjelasan dan ilustrasi sederhana mengenai konsep dasar dari empat pendekatan DL serta aplikasinya dalam berbagai bidang terkini berkaitan dengan big data yang tidak terstruktur: teks, citra, suara, dan video. Buku ini juga mendiskusikan penelitian awal tentang pengenalan ucapan audiovisual Bahasa Indonesia. Pembahasan diberikan dari konsep dasar paling simpel dan secara perlahan ke ide-ide besar yang semakin kompleks. Setiap model dibahas dari ide dasar, motivasi, visualisasi, formulasi matematis, hingga contoh aplikasinya.