艾哈迈德·曼肖伊（Ahmed Menshawy）是爱尔兰都柏林三一学院的研究工程师。他在机器学习和自然语言处理领域拥有超过5年的工作经验，并拥有计算机科学硕士学位。他曾在埃及开罗阿勒旺大学（Helwan University）计算机科学系做教学助理，负责机器学习和自然语言处理课程，如机器学习、图像处理等，并参与设计了阿拉伯文字到语音的系统。此外，他还是埃及的IST Networks工业研发实验室的机器学习专家。

第1章 数据科学——鸟瞰全景
1.1 通过示例了解数据科学
1.2 设计数据科学算法的流程
1.2.1 数据预处理
1.2.2 特征选择
1.2.3 模型选择
1.2.4 学习过程
1.2.5 评估模型
1.3 开始学习
1.4 实现鱼类识别/检测模型
1.4.1 知识库/数据集
1.4.2 数据分析预处理
1.4.3 搭建模型
1.5 不同学习类型
1.5.1 监督学习
1.5.2 无监督学习
1.5.3 半监督学习
1.5.4 强化学习
1.6 数据量和行业需求
1.7 总结
第2章 数据建模实战——“泰坦尼克号”示例
2.1 线性回归模型
2.1.1 原因
2.1.2 广告—— 一个财务方面的例子
2.2 线性分类模型
2.3 “泰坦尼克号”示例——建立和训练模型
2.3.1 数据处理和可视化
2.3.2 数据分析——监督机器学习
2.4 不同类型的误差解析
2.5 表现（训练集）误差
2.6 泛化/真实误差
2.7 总结
第3章 特征工程与模型复杂性——重温“泰坦尼克号”示例
3.1 特征工程
3.1.1 特征工程的类型
3.1.2 重温“泰坦尼克号”示例
3.2 维度灾难
3.3 重温“泰坦尼克号”示例——融会贯通
3.4 偏差-方差分解
3.5 学习可见性
3.6 总结
第4章 TensorFlow入门实战
4.1 安装TensorFlow
4.1.1 在Ubuntu 16.04系统上安装GPU版的TensorFlow
4.1.2 在Ubuntu 16.04系统上安装CPU版的TensorFlow
4.1.3 在Mac OS X上安装CPU版的TensorFlow
4.1.4 在Windows系统上安装CPU/GPU版的TensorFlow
4.2 TensorFlow运行环境
4.3 计算图
4.4 TensorFlow中的数据类型、变量、占位符
4.4.1 变量
4.4.2 占位符
4.4.3 数学运算
4.5 获取TensorFlow的输出
4.6 TensorBoard——可视化学习过程
4.7 总结
第5章 TensorFlow基础示例实战
5.1 神经元的结构
5.2 激活函数
5.2.1 sigmoid
5.2.2 tanh
5.2.3 ReLU
5.3 前馈神经网络
5.4 需要多层网络的原因
5.4.1 训练MLP——反向传播算法
5.4.2 前馈传播
5.4.3 反向传播和权值更新
5.5 TensorFlow术语回顾
5.5.1 使用Tensorflow定义多维数组
5.5.2 为什么使用张量
5.5.3 变量
5.5.4 占位符
5.5.5 操作
5.6 构建与训练线性回归模型
5.7 构建与训练逻辑回归模型
5.8 总结
第6章 深度前馈神经网络——实现数字分类
6.1 隐藏单元与架构设计
6.2 MNIST数据集分析
6.3 数字分类——构建与训练模型
6.3.1 分析数据
6.3.2 构建模型
6.3.3 训练模型
6.4 总结
第7章 卷积神经网络
7.1 卷积运算
7.2 动机
7.3 CNN的不同层
7.3.1 输入层
7.3.2 卷积步骤
7.3.3 引入非线性
7.3.4 池化步骤
7.3.5 全连接层
7.4 CNN基础示例——MNIST手写数字分类
7.4.1 构建模型
7.4.2 训练模型
7.5 总结
第8章 目标检测——CIFAR-10示例
8.1 目标检测
8.2 CIFAR-10目标图像检测——构建与训练模型
8.2.1 使用软件包
8.2.2 加载CIFAR-10数据集
8.2.3 数据分析与预处理
8.2.4 建立网络
8.2.5 训练模型
8.2.6 测试模型
8.3 总结
第9章 目标检测——CNN迁移学习
9.1 迁移学习
9.1.1 迁移学习背后的直觉
9.1.2 传统机器学习与迁移学习之间的不同
9.2 CIFAR-10目标检测——回顾
9.2.1 解决方案大纲
9.2.2 加载和探索CIFAR-10数据集
9.2.3 inception模型迁移值
9.2.4 迁移值分析
9.2.5 模型构建与训练
9.3 总结
第10章 循环神经网络——语言模型
10.1 RNN的直观解释
10.1.1 RNN的架构
10.1.2 RNN的示例
10.1.3 梯度消失问题
10.1.4 长期依赖问题
10.2 LSTM网络
10.3 语言模型的实现
10.3.1 生成训练的最小批
10.3.2 构建模型
10.3.3 训练模型
10.4 总结
第11章 表示学习——实现词嵌入
11.1 表示学习简介
11.2 Word2Vec
11.3 skip-gram架构的一个实际例子
11.4 实现skip-gram Word2Vec
11.4.1 数据分析与预处理
11.4.2 构建模型
11.4.3 训练模型
11.5 总结
第12章 神经网络在情感分析中的应用
12.1 常用的情感分析模型
12.1.1 RNN——情感分析背景
12.1.2 梯度爆炸与梯度消失——回顾
12.2 情感分析——模型实现
12.2.1 Keras
12.2.2 数据分析与预处理
12.2.3 构建模型
12.2.4 模型训练和结果分析
12.3 总结
第13章 自动编码器——特征提取和降噪
13.1 自动编码器简介
13.2 自动编码器的示例
13.3 自动编码器架构
13.4 压缩MNIST数据集

本书主要讲述了深度学习中的重要概念和技术，并展示了如何使用TensorFlow实现高级机器学习算法和神经网络。本书首先介绍了数据科学和机器学习中的基本概念，然后讲述如何使用TensorFlow训练深度学习模型，以及如何通过训练深度前馈神经网络对数字进行分类，如何通过深度学习架构解决计算机视觉、语言处理、语义分析等方面的实际问题，最后讨论了高级的深度学习模型，如生成对抗网络及其应用。
本书适合数据科学、机器学习以及深度学习方面的专业人士阅读。