第1章 机器学习概述

1.1 人工智能

1.2 机器学习

1.2.1 机器学习的发展

1.2.2 机器学习的分类

1.2.3 机器学习的经典算法

1.2.4 机器学习入门

1.3 TensorFlow简介

1.3.1 主流框架的对比

1.3.2 TensorFlow的发展

1.3.3 使用TensorFlow的公司

1.4 TensorFlow环境准备

1.4.1 Windows环境

1.4.2 Linux环境

1.4.3 Mac OS环境

1.5 常用的第三方模块

1.6 本章小结

第2章 TensorFlow基础

2.1 TensorFlow基础框架

2.1.1 系统框架

2.1.2 系统的特性

2.1.3 编程模型

2.1.4 编程特点

2.2 TensorFlow源代码结构分析

2.2.1 源代码下载

2.2.2 TensorFlow目录结构

2.2.3 重点目录

2.3 TensorFlow基本概念

2.3.1 Tensor

2.3.2 Variable

2.3.3 Placeholder

2.3.4 Session

2.3.5 Operation

2.3.6 Queue

2.3.7 QueueRunner

2.3.8 Coordinator

2.4 第一个TensorFlow示例

2.4.1 典型应用

2.4.2 运行TensorFlow示例

2.5 TensorBoard可视化

2.5.1 SCALARS面板

2.5.2 GRAPHS面板

2.5.3 IMAGES面板

2.5.4 AUDIO面板

2.5.5 DISTRIBUTIONS面板

2.5.6 HISTOGRAMS面板

2.5.7 PROJECTOR面板

2.6 本章小结

第3章 TensorFlow进阶

3.1 加载数据

3.1.1 预加载数据

3.1.2 填充数据

3.1.3 从CSV文件读取数据

3.1.4 读取TFRecords数据

3.2 存储和加载模型

3.2.1 存储模型

3.2.2 加载模型

3.3 评估和优化模型

3.3.1 评估指标的介绍与使用

3.3.2 模型调优的主要方法

3.4 本章小结

第4章 线性横型

4.1 常见的线性模型

4.2 一元线性回归

4.2.1 生成训练数据

4.2.2 定义训练模型

4.2.3 进行数据训练

4.2.4 运行总结

4.3 多元线性回归

4.3.1 二元线性回归算法简介

4.3.2 生成训练数据

4.3.3 定义训练模型

4.3.4 进行数据训练

4.3.5 运行总结

4.4 逻辑回归

4.4.1 逻辑回归算法简介

4.4.2 生成训练数据

4.4.3 定义训练模型

4.4.4 进行数据训练

4.4.5 运行总结

4.5 本章小结

第5章 支持向量机

5.1 支持向量机简介

5.1.1 SVM基本型

5.1.2 SVM核函数简介

5.2 拟合线性回归

5.2.1 生成训练数据

5.2.2 定义训练模型

5.2.3 进行数据训练

5.2.4 运行总结

5.3 拟合逻辑回归

5.3.1 生成训练数据

5.3.2 定义训练模型

5.3.3 进行数据训练

5.3.4 运行总结

5.4 非线性二值分类

5.4.1 生成训练数据

5.4.2 定义训练模型

5.4.3 进行数据训练

5.4.4 运行总结

5.5 非线性多类分类

5.5.1 生成训练数据

5.5.2 定义训练模型

5.5.3 进行数据训练

5.5.4 运行总结

5.6 本章小结

第6章 神经网络

6.1 神经网络简介

6.1.1 神经元模型

6.1.2 神经网络层

6.2 拟合线性回归问题

6.2.1 生成训练数据

6.2.2 定义神经网络模型

6.2.3 进行数据训练

6.2.4 运行总结

6.3 MNIST数据集

6.3.1 MNIST数据集简介

6.3.2 数据集图片文件

6.3.3 数据集标记文件

6.4 全连接神经网络

6.4.1 加载MNIST训练数据

6.4.2 构建神经网络模型

6.4.3 进行数据训练

6.4.4 评估模型

6.4.5 构建多层神经网络模型

6.4.6 可视化多层神经网络模型

6.5 卷积神经网络

6.5.1 卷积神经网络简介

6.5.2 卷积层

6.5.3 池化层

6.5.4 全连接神经网络层

6.5.5 卷积神经网络的发展

6.6 通过卷积神经网络处理MNIST

6.6.1 加载MNIST训练数据

6.6.2 构建卷积神经网络模型

6.6.3 进行数据训练

6.6.4 评估模型

6.7 循环神经网络

6.7.1 循环神经网络简介

6.7.2 基本循环神经网络

6.7.3 长短期记忆网络

6.7.4 双向循环神经网络简介

6.8 通过循环神经网络处理MNIST

6.8.1 加载MNIST训练数据

6.8.2 构建神经网络模型

6.8.3 进行数据训练及评估模型

6.9 递归神经网络

6.9.1 递归神经网络简介

6.9.2 递归神经网络的应用

6.10 本章小结

第7章 无监督学习

7.1 无监督学习简介

7.1.1 聚类模型

7.1.2 自编码网络模型

7.2 K均值聚类

7.2.1 K均值聚类算法简介

7.2.2 K均值聚类算法实践

7.3 自编码网络

7.3.1 自编码网络简介

7.3.2 自编码网络实践

7.4 本章小结

第8章 自然语言文本处理

8.1 自然语言文本处理简介

8.1.1 处理模型的选择

8.1.2 文本映射

8.1.3 TensorFlow文本处理的一般步骤

8.2 学写唐诗

8.2.1 数据预处理

8.2.2 生成训练模型

8.2.3 评估模型

8.3 智能影评分类

8.3.1 CBOW嵌套模型

8.3.2 构建影评分类模型

8.3.3 训练评估影评分类模型

8.4 智能聊天机器人

8.4.1 Attention机制的Seq2Seq模型

8.4.2 数据预处理

8.4.3 构建智能聊天机器人模型

8.4.4 训练模型

8.4.5 评估模型

8.5 本章小结

第9章 语音处理

9.1 语音处理简介

9.1.1 语音识别模型

9.1.2 语音合成模型

9.2 听懂数字

9.2.1 数据预处理

9.2.2 构建识别模型

9.2.3 训练模型

9.2.4 评估模型

9.3 听懂中文

9.3.1 数据预处理

9.3.2 构建识别模型

9.3.3 训练模型

9.3.4 评估模型

9.4 语音合成

9.4.1 Tacotron模型

9.4.2 编码器模块

9.4.3 解码器模块

9.4.4 后处理模块

9.5 本章小结

第10章 图像处理

10.1 机器学习的图像处理简介

10.1.1 图像修复

10.1.2 图像物体识别与检测

10.1.3 图像问答

10.2 图像物体识别

10.2.1 数据预处理

10.2.2 生成训练模型

10.2.3 训练模型

10.2.4 评估模型

10.3 图片验证码识别

10.3.1 验证码的生成

10.3.2 数据预处理

10.3.3 生成训练模型

10.3.4 训练模型

10.3.5 评估模型

10.4 图像物体检测

10.4.1 物体检测系统

10.4.2 物体检测系统实践

10.5 看图说话

10.5.1 看图说话原理

10.5.2 看图说话模型的构建

10.5.3 看图说话模型的训练

10.5.4 评估模型

10.6 本章小结

第11章 人脸识别

11.1 人脸识别简介

11.1.1 人脸图像采集

11.1.2 人脸检测

11.1.3 人脸图像预处理

11.1.4 人脸关键点检测

11.1.5 人脸特征提取

11.1.6 人脸比对

11.1.7 人脸属性检测

11.2 人脸验证

11.2.1 数据预处理

11.2.2 运行FaceNet模型

11.2.3 实现人脸验证

11.3 性别和年龄的识别

11.3.1 Adience数据集

11.3.2 数据预处理

11.3.3 生成训练模型

11.3.4 训练模型

11.3.5 评估模型

11.4 本章小结