本书循序渐进地讲解了开发深度学习程序的核心知识，并通过具体实例演练了TensorFlow、Keras和Scikit-learn在深度学习方面的开发方法和流程。书中首先介绍了深度学习开发基础，然后结合实例介绍了加载数据集、监督学习、无监督学习、模型选择和评估、核心算法、前馈神经网络、卷积神经网络的具体应用，最后讲解了NBA季后赛预测分析系统开发、AI考勤管理系统开发、AI智能问答系统开发、AI声音识别系统开发、鲜花识别系统开发、情感文本识别系统开发、实时电影推荐系统开发等内容。

第1章 深度学习开发基础
1.1 人工智能技术的兴起
1.1.1 人工智能介绍
1.1.2 人工智能的研究领域
1.1.3 和人工智能相关的几个重要概念
1.1.4 人工智能的两个重要发展阶段
1.2 机器学习和深度学习
1.2.1 机器学习
1.2.2 深度学习
1.2.3 机器学习和深度学习的区别
1.3 深度学习工具概览
1.3.1 TensorFlow
1.3.2 Keras
1.3.3 Scikit-learn
第2章 加载数据集实战
2.1 Scikit-learn内置的标准数据集API
2.1.1 波士顿房价数据集(适用于回归任务)
2.1.2 威斯康星州乳腺癌数据集(适用于分类问题)
2.1.3 糖尿病数据集(适用于回归任务)
2.1.4 手写数字数据集(适用于分类任务)
2.1.5 Fisher的鸢尾花数据集(适用于分类问题)
2.1.6 红酒数据集(适用于分类问题)
2.2 自定义数据集
2.2.1 生成聚类数据
2.2.2 生成同心圆样本点
2.2.3 生成模拟分类数据集
2.2.4 生成太极型非凸集样本点
2.3 使用if.data处理数据集
2.3.1 制作数据集并训练和评估
2.3.2 将tf.data作为验证数据集进行训练
2.4 将模拟数据制作成内存对象数据集
2.4.1 可视化内存对象数据集
2.4.2 改进的方案
2.5 将图片制作成数据集实战
2.5.1 制作简易图片数据集
2.5.2 制作手势识别数据集
第3章 监督学习实战
3.1 广义线性模型
3.1.1 普通最小二乘法
3.1.2 岭回归
3.1.3 Lasso回归
3.2 线性和二次判别分析
3.2.1 使用线性判别分析来降维
3.2.2 Shrinkage(收缩)
3.3 支持向量机
3.3.1 分类
3.3.2 回归
3.3.3 密度估计和异常(novelty)检测
3.4 随机梯度下降
3.4.1 分类
3.4.2 回归
3.4.3 稀疏数据的随机梯度下降
3.5 邻近算法
3.5.1 邻近算法基础
3.5.2 无监督最近邻
3.5.3 最近邻分类
第4章 无监督学习实战
4.1 高斯混合模型
4.1.1 使用sklearn.mixture实现高斯混合
4.1.2 使用BayesianGaussianMixture实现变分贝叶斯高斯混合
4.2 流形学习
4.2.1 对数据进行随机投影
4.2.2 Isomap算法
4.3 聚类
4.3.1 K-Means聚类算法
4.3.2 小批量K-Means算法
4.4 双聚类算法
4.4.1 谱聚类算法
4.4.2 光谱共聚类算法
4.5 分解成分中的信号(矩阵分解问题)
4.5.1 使用PCA降维处理鸢尾花数据集
4.5.2 带有预计算词典的稀疏编码
第5章 模型选择和评估实战
5.1 交叉验证：评估模型的表现
5.1.1 训练线性支持向量机
5.1.2 计算交叉验证的指标
5.1.3 交叉验证迭代器
5.2 调整估计器的超参数
5.2.1 网格追踪法：穷尽的网格搜索
5.2.2 随机参数优化
5.3 模型评估：量化预测的质量
5.3.1 得分参数scoring：定义模型评估规则
5.3.2 分类指标
5.4 验证曲线：绘制分数以评估模型
5.4.1 绘制验证曲线
5.4.2 绘制学习曲线
第6章 核心算法实战
6.1 线性回归算法操作
6.1.1 线性回归介绍
6.1.2 使用Keras实现线性回归模型
6.2 LogisticRegression算法操作
6.2.1 LogisticRegression算法介绍
6.2.2 信用卡欺诈数据
6.3 二元决策树算法
6.3.1 什么是二元决策树
6.3.2 选择二元决策树切割点
6.4 Bagging算法
6.4.1 什么是Bagging算法
6.4.2 实现Bootstrap采样
6.5 Boosting算法
6.5.1 Boosting基础
6.5.2 心绞痛ROC曲线检测系统
6.6 随机森林算法
6.6.1 什么是随机森林
6.6.2 分析声呐数据
6.7 k近邻算法操作
6.7.1 k近邻算法介绍
6.7.2 对服装图像进行分类
6.8 支持向量机(SVM)算法操作
第7章 前馈神经网络实战
7.1 人工神经网络概述
7.1.1 深度学习与神经网络概述
7.1.2 全连接层
7.1.3 使用TensorFlow创建神经网络模型
7.2 汽车油耗预测实战(使用神经网络实现分类)
7.2.1 准备数据
7.2.2 创建网络模型
7.2.3 训练、测试模型
第8章 卷积神经网络实战
8.1 卷积神经网络基础
8.1.1 发展背景
8.1.2 卷积神经网络基本结构
8.1.3 第一个卷积神经网络程序
8.2 使用卷积神经网络进行图像分类
8.2.1 准备数据集
8.2.2 创建数据集
8.2.3 配置数据集
8.2.4 创建模型
8.2.5 编译模型
8.2.6 训练模型
8.2.7 可视化训练结果
8.2.8 过拟合处理：数据增强
8.2.9 过拟合处理：将Dropout引入网络
8.2.10 重新编译和训练模型
8.2.11 预测新教据
第9章 开发NBA季后赛预测分析系统
9.1 NBA赛制介绍
9.2 项目介绍
9.3 机器学习和数据可