第1章 TensorFlow和机器学习概述
1.1 关于TensorFlow
1.2 TensorFlow核心API
1.3 计算图
1.4 机器学习、分类和逻辑回归
1.5 使用TensorFlow进行逻辑回归
1.6 使用Keras进行逻辑回归
1.7 小结
1.8 问题
1.9 延伸阅读
第2章 利用机器学习探测外太空中的系外行星
2.1 关于决策树
2.2 集成学习的必要性
2.3 基于决策树的集成方法
2.4 TensorFlow中基于决策树的集成
2.5 探测外太空的系外行星
2.6 建立用于系外行星探测的TFBT模型
2.7 小结
2.8 问题
2.9 延伸阅读
第3章 使用TensorFlow.js在浏览器中进行情感分析
3.1 理解TensorFlow.js
3.2 理解Adam优化
3.3 理解分类交叉熵损失
3.4 理解单词嵌入
3.5 构建情感分析模型
3.6 使用TensorFlow.js在浏览器中运行模型
3.7 小结
3.8 问题
第4章 使用TensorFlow Lite进行数字分类
4.1 关于TensorFlow Lite
4.2 分类模型评估指标
4.3 使用TensorFlow Lite对数字进行分类
4.4 小结
4.5 问题
第5章 使用NLP进行从语音到文本的转换和主题的提取
5.1 关于Speech-to-Text框架和工具包
5.2 Google语音命令数据集
5.3 神经网络架构
5.4 训练模型
5.5 小结
5.6 问题
5.7 延伸阅读
第6章 使用高斯过程回归预测股票价格
6.1 理解贝叶斯规则
6.2 贝叶斯推理
6.3 高斯过程
6.4 将高斯过程应用于股市预测
6.5 创建股票价格预测模型
6.6 理解获得的结果
6.7 小结
6.8 问题
第7章 使用自动编码器进行信用卡欺诈检测
7.1 理解自动编码器
7.2 构建欺诈检测模型
7.3 小结
7.4 问题
第8章 使用贝叶斯神经网络生成交通标志分类器中的不确定性
8.1 理解贝叶斯深度学习
8.2 神经网络中的贝叶斯规则
8.3 理解TensorFlow Probability、变分推断和蒙特卡罗方法
8.4 构建贝叶斯神经网络
8.5 定义、培训和测试模型
8.6 小结
8.7 问题
第9章 使用DiscoGAN从鞋子图像生成匹配的手提包图像
9.1 理解生成模型
9.2 理解DiscoGAN
9.3 构建DiscoGAN模型
9.4 小结
9.5 问题
第10章 使用胶囊网络对服装图像进行分类
10.1 理解胶囊网络的重要性
10.2 理解胶囊
10.3 动态路由算法
10.4 用于对Fashion MNIST图像进行分类的胶囊网络
10.5 训练和测试模型
10.6 重建样本图像
10.7 胶囊网络的局限性
10.8 小结
第11章 使用TensorFlow制作商品推荐系统
11.1 推荐系统
11.2 基于内容的过滤
11.3 协同过滤
11.4 混合系统
11.5 矩阵分解
11.6 Retailrocket数据集简介
11.7 Retailrocket数据集深入探究
11.8 预处理数据
11.9 Retailrocket数据集推荐系统的矩阵分解模型
11.10 Retailrocket数据集推荐系统的神经网络模型
11.11 小结
11.12 问题
11.13 延伸阅读
第12章 使用TensorFlow进行大规模的对象检测
12.1 Apache Spark简介
12.2 理解分布式TensorFlow
12.3 理解TensorFlowOnSpark
12.4 使用TensorFlowOnSpark和Sparkdl进行对象检测
12.5 小结
第13章 使用LSTM生成图书脚本
13.1 理解循环神经网络
13.2 预处理数据
13.3 定义模型
13.4 训练模型
13.5 定义和训练文本生成模型
13.6 生成图书脚本
13.7 小结
13.8 问题
第14章 使用深度强化学习玩《吃豆人》游戏
14.1 强化学习
14.2 强化学习与监督学习和无监督学习的对比
14.3 强化学习的组成部分
14.4 OpenAI Gym工具包
14.5 在OpenAI Gym中创建《吃豆人》游戏
14.6 用于深度强化学习的DQN
14.7 将DQN应用于游戏
14.8 小结
14.9 延伸阅读
第15章 在生产环境中部署机器学习模型
15.1 在生产环境中实现TensorFlow
15.2 建立AI应用程序的建议
15.3 深度学习的局限性
15.4 AI在行业中的应用
15.5 AI中的伦理道德考虑因素
15.6 小结

本书详细阐述了与TensorFlow项目开发相关的基本解决方案，主要包括TensorFlow和机器学习概述、利用机器学习探测外太空中的系外行星、情感分析、数字分类、语音到文本的转换、预测股票价格、信用卡欺诈检测、贝叶斯深度学习、图像匹配和分类、推荐系统、大规模对象检测、生成图书脚本、深度强化学习与游戏、部署机器学习模型等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
本书既可作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。