1.深度學習扛鼎之作《Python深度學姊妹篇；2.谷歌大腦團隊核心開發人員官方解讀TensorFlow.js；3.前端工程師不可錯過的AI入門書。

●部分動機和基本概念
章深度學習和JavaScript
1.1人工智能、機器學經網絡和深度學習
1.1.1人工智能
1.1.2機器學習：它和傳統編程有何不同
1.1.3神經網絡和深度學習
1.1.4進行深度學必要性
1.2為何要結合JavaScript和機器學習
1.2.1用Node.js進行深度學習
1.2.2JavaScript生態繫統
1.3為何選用TensorFlow.js
1.3.1TensorFlow、Keras和TensorFlow.js的前世今生
1.3.2為何選用TensorFlow.js
1.3.3TensorFlow.js在的應用情況
1.3.4本書中的TensorFlow.js知識
1.4練習
1.5小結
第二部分深入淺出TensorFlow.js
第2章TensorFlow.js入門：從簡單的線性回歸開始
2.1示例1：用TensorFlow.js預測下載任務所需時間
2.1.1項目概覽：預測下載任務所需時間
2.1.2關於代碼清單和控制臺交互的注意事項
2.1.3創建和格式化數據
2.1.4定義簡單的模型
2.1.5使模型擬合訓練集
2.1.6用經過訓練的模型進行預測
2.1.7示例1小結
2.2model.fit()內部原理剖析：示例1中的梯度下降算法
2.2.1直觀理解梯度下降算法優化
2.2.2探索梯度下降算法的內部原理：反向傳播算法
2.3示例2：涉及多個輸入特征的線性回歸
2.3.1波士頓房價數據集
2.3.2從GitHub獲取並運行波士頓房價預測項目
2.3.3讀取波士頓房價數據
2.3.4準確定義波士頓房價問題
2.3.5線性回歸前的準備工作：數據標準化
2.3.6對波士頓房價數據集進行線性回歸
2.4如何理解模型
2.4.1解釋習得的權重
2.4.2獲取模型內部權重
2.4.3關於可解釋性的注意事項
2.5練習
2.6小結
第3章添加非線性：升級加權和
第4章用convnet識別圖像和音頻
第5章遷移學習：復用預訓練的神經網絡
第三部分TensorFlow.js不錯深度學習
第6章處理數據
第7章可視化數據和模型
第8章欠擬合、過擬合，以及機器學通用流程
第9章針對序列和文本的深度學習
0章生成式深度學習
1章深度強化學基本原理
第四部分總結與結語
2章模型的測試、優化和部署
3章總結與展望
附錄A安裝tfjs-node-gpu及其依賴（圖靈社區下載）
附錄BTensorFlow.js張量及運算的簡明教程（圖靈社區下載）
術語表（圖靈社區下載）

本書教你使用TensorFlow.js構建強大的JavaScript深度學習應用程序。本書作者均是谷歌大腦團隊的工程師，也是TensorFlow.js的核心開發人員。你將了解JavaScript與深度學習結合的獨特優勢，掌握客戶端預測與分析、圖像識別、監督學習、遷移學習、強化學習等核心概念，並動手在瀏覽器中實現計算機視覺和音頻處理以及自然語言處理，構建並訓練神經網絡，利用客戶端數據優化機器學習模型，開發基於瀏覽器的交互式遊戲，同時為深度學習探索新的應用空間。你還可以獲得深度學習模型構建過程中不同問題所涉及的策略和相關的實用知識，同時了解訓練和部署這些模型的具體步驟以及重要的注意事項。本書適合對深度學習感興趣的Web前端開發人員和基於Node.js的開發人員閱讀。

蔡善清 等 著 程澤 譯