●章  TensorFlow和機器學習概述 1 1.1  關於 TensorFlow 1 1.2  TensorFlow 核心 API 2 1.3  計算圖 11 1.4  機器學習、分類和邏輯回歸 18 1.5  使用 TensorFlow 進行邏輯回歸 21 1.6  使用 Keras 進行邏輯回歸 24 1.7  小結 26 1.8  問題 26 1.9  延伸閱讀 26 第2章  利用機器學習探測外太空中的繫外行星 27 2.1  關於決策樹 27 2.2  集成學習的必要性 28 2.3  基於決策樹的集成方法 29 2.4  TensorFlow 中基於決策樹的集成 32 2.5  探測外太空的繫外行星 34 2.6  建立用於繫外行星探測的 TFBT 模型 38 2.7  小結 42 2.8  問題 42 2.9  延伸閱讀 43 第3章  使用TensorFlow.js在瀏覽器中進行情感分析 44 3.1  理解 TensorFlow.js 45 3.2  理解 Adam 優化 46 3.3  理解分類交叉熵損失 46 3.4  理解單詞嵌入 47 3.5  構建情感分析模型 48 3.6  使用 TensorFlow.js 在瀏覽器中運行模型 51 3.7  小結 55 3.8  問題 55 第4章  使用TensorFlow Lite進行數字分類 56 4.1  關於 TensorFlow Lite 56 4.2  分類模型評估指標 58 4.3  使用 TensorFlow Lite 對數字進行分類 59 4.4  小結 69 4.5  問題 70 第5章  使用NLP進行從語音到文本的轉換和主題的提取 71 5.1  關於 Speech-to-Text 框架和工具包 71 5.2  Google 語音命令數據集 72 5.3  神經網絡架構 73 5.4  訓練模型 74 5.5  小結 77 5.6  問題 77 5.7  延伸閱讀 77 第6章  使用高斯過程回歸預測股票價格 79 6.1  理解貝葉斯規則 79 6.2  貝葉斯推理 80 6.3  高斯過程 81 6.4  將高斯過程應用於股市預測 84 6.5  創建股票價格預測模型 86 6.6  理解獲得的結果 89 6.7  小結 99 6.8  問題 99 第7章  使用自動編碼器進行信用卡欺詐檢測 100 7.1  理解自動編碼器 100 7.2  構建欺詐檢測模型 101 7.3  小結 111 7.4  問題 111 第8章  使用貝葉斯神經網絡生成交通標志分類器中的不確定性 112 8.1  理解貝葉斯深度學習 112 8.2  神經網絡中的貝葉斯規則 113 8.3  理解 TensorFlow Probability、變分推斷和蒙特卡羅方法 114 8.4  構建貝葉斯神經網絡 116 8.5  定義、培訓和測試模型 118 8.6  小結 129 8.7  問題 130 第9章  使用DiscoGAN從鞋子圖像生成匹配的手提包圖像 131 9.1  理解生成模型 131 9.2  理解 DiscoGAN 135 9.3  構建 DiscoGAN 模型 139 9.4  小結 148 9.5  問題 149 0章  使用膠囊網絡對服裝圖像進行分類 150 10.1  理解膠囊網絡的重要性 150 10.2  理解膠囊 151 10.3  動態路由算法 153 10.4  用於對 Fashion MNIST 圖像進行分類的膠囊網絡 156 10.5  訓練和測試模型 160 10.6  重建樣本圖像 167 10.7  膠囊網絡的局限性 169 10.8  小結 170 1章  使用TensorFlow制作商品推薦繫統 172 11.1  推薦繫統 172 11.2  基於內容的過濾 173 11.3  協同過濾 174 11.4  混合繫統 174 11.5  矩陣分解 175 11.6  Retailrocket 數據集簡介 175 11.7  Retailrocket 數據集深入探究 176 11.8  預處理數據 177 11.9  Retailrocket 數據集推薦繫統的矩陣分解模型 178 11.10  Retailrocket 數據集推薦繫統的神經網絡模型 181 11.11  小結 183 11.12  問題 183 11.13  延伸閱讀 183 2章  使用TensorFlow進行大規模的對像檢測 184 12.1  Apache Spark 簡介 185 12.2  理解分布式 TensorFlow 186 12.3  理解 TensorFlowOnSpark 191 12.4  使用 TensorFlowOnSpark 和 Sparkdl 進行對像檢測 197 12.5  小結 202 3章  使用LSTM生成圖書腳本 204 13.1  理解循環神經網絡 204 13.2  預處理數據 205 13.3  定義模型 207 13.4  訓練模型 208 13.5  定義和訓練文本生成模型 208 13.6  生成圖書腳本 214 13.7  小結 217 13.8  問題 217 4章  使用深度強化學習玩《喫豆人》遊戲 218 14.1  強化學習 219 14.2  強化學習與監督學習和無監督學習的對比 219 14.3  強化學習的組成部分 220 14.4  OpenAI Gym 工具包 220 14.5  在 OpenAI Gym 中創建《喫豆人》遊戲 222 14.6  用於深度強化學習的 DQN 224 14.7  將 DQN 應用於遊戲 225 14.8  小結 230 14.9  延伸閱讀 230 5章  在生產環境中部署機器學習模型 231 15.1  在生產環境中實現 TensorFlow 231 15.2  建立 AI 應用程序的建議 237 15.3  深度學習的局限性 238 15.4  AI 在行業中的應用 238 15.5  AI 中的倫理道德考慮因素 239 15.6  小結 240