本书基于TensorFlow、Keras和scikit-learn，介绍了21个典型的人工智能应用场景。全书共3篇，分别是预测类项目实战篇、识别类项目实战篇和生成类项目实战篇。其中预测类项目包括房价预测、泰坦尼克号生还预测、共享单车使用情况预测、福彩3D中奖预测、股票走势预测等8个项目；识别类项目包括数字识别、人脸识别、表情识别、人体姿态识别等7个项目；生成类项目包括看图写话、生成电视剧剧本、风格迁移、生成人脸等6个项目。 本书代码丰富，注释详尽，适合有一定Python基础的读者，包括计算机相关专业的学生、程序员和人工智能神经网络的技术爱好者。

本书分为两部分。第一部分，机器学习基础，涵盖以下主题：什么是机器学习，它试图解决什么问题，以及系统的主要类别和基本概念；第二部分，神经网络和深度学习，涵盖以下主题：什么是神经网络以及它们有什么用，使用TensorFlow和Keras构建和训练神经网络的技术，以及如何使用强化学习构建可以通过反复试错，学习好的策略的代理程序。第一部分主要基于Scikit-Learn，而第二部分则使用TensorFlow和Keras。

本书分为两部分。第一部分，机器学习基础，涵盖以下主题：什么是机器学习，它试图解决什么问题，以及系统的主要类别和基本概念；第二部分，神经网络和深度学习，涵盖以下主题：什么是神经网络以及它们有什么用，使用TensorFlow和Keras构建和训练神经网络的技术，以及如何使用强化学习构建可以通过反复试错，学习好的策略的代理程序。第一部分主要基于Scikit-Learn，而第二部分则使用TensorFlow和Keras。

本书简洁地介绍了现代神经网络、人工智能和深度学习技术，专门为软件工程师和数据科学家设计。第1章逐步介绍神经网络的基础知识。第2章比较TensorFlow 1.x和TensorFlow 2.0编程模型。第3章重点介绍回归。第4章介绍卷积神经网络及其在图像处理中的应用。第5章讨论了CNN在图像、视频、音频和文本处理方面的高级应用。第6章重点介绍生成对抗网络。第7章介绍词嵌入。第8章介绍基本嵌入方法的各种扩展。第9章介绍自动编码器。第10章深入研究无监督学习模型。第11章重点介绍强化学习。第12章介绍AutoML。第13章介绍用于移动设备和物联网的TensorFlow的基础知识。第14章讨论了云环境以及如何利用它来训练和部署模型。第15章讨论了深度学习背后的数学。第16章介绍TPU。本书内容丰富，易于理解，示例具有代表性，是学习深度学习的绝佳指南。

作为一款轻量级、模块化的开源深度学习框架， Keras 以容易上子、利于快速原型实现、能够与TensorFlow 和Theano 等后端计算平台很好兼容等优点， 深受众多开发人 员和研究人员的喜爱。 本书结合大量实例，简明扼要地介绍了目前热门的神经网络技术和深度学习技术 。从经典的多层感知机到用于图像处理的深度卷积网络，从处理序列化数据的循环网络到伪造仿真数据的生成对抗网络，从词嵌入到AI 游戏应用中的强化学习，引领读者一层一层揭开深度学习的面纱， 并在逐渐清晰的理论框架下， 提供多个Python编码实例，方便读者动手实践。 通过阅读本书， 读者不仅能学会使用Keras 快捷构建各个类型的深度网络，还可以按需自定义网络层和后端功能， 从而提升自己的AI 编程能力，在成为深度学习专家的路上更进一步。

作为一款轻量级、模块化的开源深度学习框架， Keras 以容易上子、利于快速原型实现、能够与TensorFlow 和Theano 等后端计算平台很好兼容等优点， 深受众多开发人 员和研究人员的喜爱。 本书结合大量实例，简明扼要地介绍了目前热门的神经网络技术和深度学习技术 。从经典的多层感知机到用于图像处理的深度卷积网络，从处理序列化数据的循环网络到伪造仿真数据的生成对抗网络，从词嵌入到AI 游戏应用中的强化学习，引领读者一层一层揭开深度学习的面纱， 并在逐渐清晰的理论框架下， 提供多个Python编码实例，方便读者动手实践。 通过阅读本书， 读者不仅能学会使用Keras 快捷构建各个类型的深度网络，还可以按需自定义网络层和后端功能， 从而提升自己的AI 编程能力，在成为深度学习专家的路上更进一步。

机器学习需要一条脱离过高理论门槛的入门之路。 《机器学习篇》从小红帽采蘑菇的故事开篇，介绍了基础的机器学习分类模型的训练（第1 章）。如何评估、调试模型？如何合理地发掘事物的特征？如何利用几个模型共同发挥作用？后续章节一步一步讲述了如何优化模型，更好地完成分类预测任务（第2 章），并且初步尝试将这些技术运用到金融股票交易中（第3 章）。 自然界最好的非线性模型莫过于人类的大脑。《深度学习篇》从介绍并对比一些常见的深度学习框架开始（第4 章），讲解了DNN 模型的直观原理，尝试给出一些简单的生物学解释，完成简单的图片识别任务（第5 章）。后续章节在此基础上，完成更为复杂的图片识别CNN 模型（第6 章）。接着，本书展示了使用Caffe 完成一个完整的图片识别项目，从准备数据集，到完成识别任务（第7 章）。后面简单描述了RNN 模型（第8 章），接着展示...(展开全部)

本书主要分为两个部分。第一部分为第1章到第8章，涵盖机器学习的基础理论知识和基本算法——从线性回归到随机森林等，帮助读者掌握Scikit-Learn的常用方法；第二部分为第9章到第16章，探讨深度学习和常用框架TensorFlow，一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。

本书主要分为两个部分。第一部分为第1章到第8章，涵盖机器学习的基础理论知识和基本算法——从线性回归到随机森林等，帮助读者掌握Scikit-Learn的常用方法；第二部分为第9章到第16章，探讨深度学习和常用框架TensorFlow，一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。

本书是一本深度学习入门读物。以目前已经大量用于线上系统的深度学习框架Caffe为例，由浅入深，从Caffe的配置、部署、使用开始学习，通过阅读Caffe源码理解其精髓，加强对深度学习理论的理解，最终达到熟练运用Caffe解决实际问题的目的。和国外机器学习、深度学习大部头著作相比，本书偏重动手实践，将难以捉摸的枯燥理论用浅显易懂的形式表达，透过代码揭开其神秘面纱，更多地贴近实际应用。