全书分为七部分：深度学习与深度置信网络研究现状、深度置信网络参数自适应学习、自组织深度置信网络、增量式深度置信网络、生成式对抗性深度置信网络、事件驱动的深度置信网，以及事件驱动的深度置信网络预测控制。每一部分均在工业过程优化运行中有相应实验测试与应用实践。从理论方法到应用实践，书中的内容从基础概念到最新进展均有涵盖，使读者可以根据需要灵活阅读。1)系统性与全面性。本书遵循系统化的学习路径进行编排，从网络模型基础到优化设计前沿理论一一讲解，内容全面，涵盖了深度置信网络参数学习、结构优化、收敛性分析和预测控制的主要领域。全书内容科学分配，基础与网络础到前沿技术一一讲解，内容全面，科学分配，基础理论与进阶知识相结合，既适合初学者入门，也能为研究者提供最新的理论与方法参考。2)理论方法与应用测试相结合。在介绍每部分的创新性理论与方法时，都会结合其在工业过程应用中的测试实验进行解释，便于读者在理论学习的同时积累具有针对性的应用实践经验。同时，书中还提供了所提理论与方法的详细数学描述及模型参数优化建议，使读者能够迅速上手。3)最新进展的介绍。书中紧跟深度置信网络和机器学习领域的最新研究进展，特别是对模型参数动态学习、结构自适应调整及模型预测控制等前沿主题的详细介绍，帮助学生了解机器学习和深度神经网络的前沿动态，并了解这些进展在工业界和学术界的应用潜力。4)可解释性与公平性讨论。随着信息科学和人工智能应用的广泛落地，可解释性和客观性成为重要议题。书中不仅讲解了模型本身，还详细介绍了如何提升模型各方面性能的方法，并在工业过程具体应用场景中进行测试，通过对测试结果的系统性分析给出了一些实战性结论、经验及注意事项，帮助读者建立起负责任的机器学习研究理念。