上篇
章机器学习的HELLO WORLD2
1.1机器学习简介2
1.2机器学习应用的核心开发流程3
1.3从代码开始6
1.3.1搭建环境6
1.3.2一段简单的代码7
1.4本章小结9
1.5本章参考文献9
第2章手工实现神经网络10
2.1感知器10
2.1.1从神经元到感知器10
2.1.2实现简单的感知器12
2.2线性回归、梯度下降及实现15
2.2.1分类的原理15
2.2.2损失函数与梯度下降16
2.2.3神经元的线性回归实现18
2.3随机梯度下降及实现21
2.4单层神经网络的Python实现23
2.4.1从神经元到神经网络23
2.4.2单层神经网络：初始化25
2.4.3单层神经网络：核心概念27
2.4.4单层神经网络：前向传播28
2.4.5单层神经网络：反向传播29
2.4.6网络训练及调整34
2.5本章小结38
2.6本章参考文献38
第3章上手KERAS39
3.1Keras简介39
3.2Keras开发入门40
3.2.1构建模型40
3.2.2训练与测试42
3.3Keras的概念说明44
3.3.1Model44
3.3.2Layer48
3.3.3Loss65
3.4再次代码实战70
3.4.1XOR运算70
3.4.2房屋价格预测73
3.5本章小结75
3.6本章参考文献76
第4章预测与分类：简单的机器学习应用77
4.1机器学习框架之sklearn简介77
4.1.1安装sklearn78
4.1.2sklearn中的常用模块78
4.1.3对算法和模型的选择79
4.1.4对数据集的划分80
4.2初识分类算法80
4.2.1分类算法的性能度量指标81
4.2.2朴素贝叶斯分类及案例实现86
4.3决策树90
4.3.1算法介绍90
4.3.2决策树的原理91
4.3.3实例演练96
4.3.4决策树优化99
4.4线性回归101
4.4.1算法介绍101
4.4.2实例演练101
4.5逻辑回归102
4.5.1算法介绍102
4.5.2多分类问题与实例演练107
4.6神经网络108
4.6.1神经网络的历史108
4.6.2实例演练114
4.6.3深度学习中的一些算法细节117
4.7本章小结120
4.8本章参考文献120
下篇
第5章推荐系统基础122
5.1推荐系统简介122
5.2相似度计算124
5.3协同过滤125
5.3.1基于用户的协同过滤126
5.3.2基于物品的协同过滤128
5.3.3算法实现与案例演练129
5.4LR模型在推荐场景下的应用131
5.5多模型融合推荐模型：Wide＆Deep模型135
5.5.1探索-利用困境的问题135
5.5.2Wide＆Deep模型137
5.5.3交叉特征137
5.6本章小结145
5.7本章参考文献145
第6章项目实战：聊天机器人146
6.1聊天机器人的发展历史146
6.2循环神经网络148
6.2.1Slot Filling148
6.2.2NLP中的单词处理150
6.2.3循环神经网络简介153
6.2.4LSTM网络简介154
6.3Seq2Seq原理介绍及实现157
6.3.1Seq2Seq原理介绍157
6.3.2用Keras实现Seq2Seq算法158
6.4Attention173
6.4.1Seq2Seq的问题174
6.4.2Attention的工作原理175
6.4.3Attention在Keras中的实现178
6.4.4Attention示例180
6.5本章小结185
6.6本章参考文献185
第7章图像分类实战187
7.1图像分类与卷积神经网络187
7.1.1卷积神经网络的历史187
7.1.2图像分类的3个问题188
7.2卷积神经网络的工作原理190
7.2.1卷积运算191
7.2.2传统图像处理中的卷积运算193
7.2.3Pooling195
7.2.4为什么卷积神经网络能达到较好的效果197
7.3案例实战：交通图标分类200
7.3.1交通图标数据集200
7.3.2卷积神经网络的Keras实现202
7.4优化策略209
7.4.1数据增强210
7.4.2ResNet214
7.5本章小结216
7.6本章参考文献217
第8章目标识别218
8.1CNN的演化218
8.1.1CNN和滑动窗口218
8.1.2RCNN220
8.1.3从FastRCNN到FasterRCNN223
8.1.4FasterRCNN核心代码解析228
8.2YOLO242
8.2.1YOLO v1242
8.2.2YOLO v2248
8.2.3YOLO v3251
8.3YOLO v3的具体实现253
8.3.1数据预处理253
8.3.2模型训练260
8.4本章小结293
8.5本章参考文献294
第9章模型部署与服务296
9.1生产环境中的模型服务296
9.2TensorFlow Serving的应用299
9.2.1转换Keras模型299
9.2.2TensorFlow Serving部署302
9.2.3接口验证303
9.3本章小结307
9.4本章参考文献308

随着AI技术的普及，如何快速理解、掌握并应用AI技术，成为绝大多数程序员亟需解决的问题。本书基于Keras框架并以代码实现为核心，详细解答程序员学习AI算法时的常见问题，对机器学习、深度神经网络等概念在实际项目中的应用建立清晰的逻辑体系。本书分为上下两篇，上篇（～4章）可帮助读者理解并独立开发较简单的机器学习应用，下篇（第5～9章）则聚焦于AI技术的三大热点领域：推荐系统、自然语言处理（NLP）及图像处理。其中，章通过具体实例对Keras的机器学习实现进行快速介绍并给出整体概念；第2章从简单的神经元开始，以实际问题和代码实现为引导，逐步过渡到多层神经网络的具体实现上，从代码层面讲解神经网络的工作模式；第3章讲解Keras的核心概念和使用方法，帮助读者快速入门Keras；第4章讲解机器学习中的常见概念、定义及算法；第5章介绍推荐系统的常见方案，包括协同过滤的不同实现及Wide＆Deep模型等；第6章讲解循环神经网络（RNN）的原理及Seq2Seq、Attention等技术在自然语言处理中的应用；第7～8章针对图像处理的分类及目标识别进行深度讨论，从代码层面分析FasterRCNN及YOLOv3这两种典型识别算法；第9章针对AI模型的工程部署问题，引入TensorFlowServing并进行介绍。本书主要面向希望学习AI开发或者转型算法的程序员，也可以作为Keras教材，帮助读者学习Keras在不同领域的具体应用。