深度学习是基于多层次抽象学习的机器学习算法的一个分支。神经网络是深度学习的核心，广泛应用于预测分析、计算机视觉、自然语言处理、时间序列预测，以及其他复杂任务。通过本书，将学习如何利用前馈神经网络、卷积神经网络、循环神经网络、自编码器和因子分解机为机器学习系统开发深度学习应用程序，并了解如何在GPU上实现分布式深度学习程序设计。通过本书学习，将掌握机器学习技术的相关知识，以及应用于实际项目的能力。本书主要内容：在近期新版本的TensorFlow中实现深度机器智能和GPU计算；获取公共数据集，并在TensorFlow下加载、处理和转换数据；了解如何使用不错TensorFlowAPl构建功能强大的应用程序；利用深度学习进行可扩展目标检测和移动计算；通过探讨强化学习技术，训练机器从数据中快速学习；深入探讨深度学习研究和应用的关键领域。本书适合于希望利用TensorFlow的强大功能，结合其他开源Python库，构建功能强大、稳健且准确的预测模型的开发人员、数据分析师、机器学习从业者和深度学习爱好者。

译者序
原书前言
作者简介
评阅人简介
章深度学习入门
1.1机器学习简介
1.1.1监督学习
1.1.2不平衡数据
1.1.3无监督学习
1.1.4强化学习
1.1.5什么是深度学习
1.2人工神经网络
1.2.1生物神经元
1.2.2人工神经元
1.3人工神经网络是如何学习的
1.3.1人工神经网络与反向传播算法
1.3.2权重优化
1.3.3随机梯度下降
1.4人工神经网络架构
1.4.1深度神经网络
1.4.2卷积神经网络
1.4.3自编码器
1.4.4循环神经网络
1.4.5新兴架构
1.5深度学习框架
1.6小结
第2章TensorFlow初探
2.1TensorFlow概述
2.2TensorFlowv1.6的新特性
2.2.1支持优化的NVIDIAGPU
2.2.2TensorFlowLite简介
2.2.3动态图机制
2.2.4优化加速线性代数
2.3TensorFlow安装与配置
2.4TensorFlow计算图
2.5TensorFlow代码结构
2.5.1TensorFlow下的动态图机制
2.6TensorFlow数据模型
2.6.1张量
2.6.2秩与维度
2.6.3数据类型
2.6.4变量
2.6.5Fetches
2.6.6Feeds和占位符
2.7基于TensorBoard的可视化计算
……
第3章基于TensorFlow的前馈神经网络
第4章卷积神经网络（CNN）
第5章优化TensorFlow自编码器
第6章循环神经网络（RNN）
第7章异构和分布式计算
第8章TensorFlow不错编程
第9章基于因子分解机的推荐系统
0章强化学习