Denne læreboken setter fokus på hvordan man kan formulere AI-systemer ved å kombinere sannsynlighetsmodellering med dyp læring. Den går utover tradisjonell prediktiv modellering og forener både overvåket og uovervåket læring. Dette skaper et nytt paradigme, kalt dyp generativ modellering, som benytter en generativ tilnærming for å forstå verden rundt oss. Denne tilnærmingen forutsetter at hvert fenomen drives av en underliggende generativ prosess som definerer en felles fordeling over tilfeldige variabler og deres stokastiske interaksjoner, det vil si hvordan hendelser inntreffer og i hvilken rekkefølge. Begrepet 'dyp' refererer til det faktum at fordelingen er parametrisert ved hjelp av dype nevrale nettverk. Dyp generativ modellering har to distinkte kjennetegn. For det første tillater bruken av dype nevrale nettverk en rik og fleksibel parametrisering av fordelinger. For det andre sikrer den prinsipielle måten å modellere stokastiske avhengigheter på, ved hjelp av sannsynlighetsteori, en rigorøs formulering som forhinderer potensielle feil.
