本书以TensorFlow 2.0为基本开发平台，通过一系列具体的应用案例，使用通俗易懂的语言比较系统地介绍深度学习的基本概念和神经网络模型设计的基本知识。这些案例涉及的应用领城非常广泛，从图像识别到推荐系统，从艺术图像生成到自然语言处理，为读者的应用系统设计和开发提供了比较宽广的视野。本书的知识内容和知识结构面向神经网络初学者设计，首先概述Python编程语言、机器学习、深度学习和神经网络的基本知识，然后着重介绍前馈神经网络、卷积神经网络、循环神经网络、自动编码器和生成对抗网络等神经网络模型的基本结构，详细讨论了基于TensorFlow 2.0开发平台的神经网络模型的设计技巧和训练方法，以及样本数据集的获取与处理、应用系统开发的基本过程，逐步消除读者在深度学习技术开发应用方面的认知盲点。

第1章 绪论
1.1 编程语言Python
1.1.1 Python 发展时间轴
1.1.2 Python 2.x与Python 3.x
1.1.3 选择Python的原因
1.2 机器学习框架TensorFlow
1.2.1 TensorFlow发展时间轴
1.2.2 选择TensorFlow的原因
1.2.3 TensorFlow 2.x的新特点
1.2.4 TensorFlow的竞争产品
1.3 安装与环境设置
1.4 硬件选项和要求
第2章 机器学习简介
2.1 何为机器学习
2.2 机器学习的范围及相关邻域
2.2.1 人工智能
2.2.2 深度学习
2.2.3 数据科学
2.2.4 大数据
2.2.5 分类图
2.3 机器学习方式和模型
2.3.1 监督学习
2.3.2 非监督学习
2.3.3 半监督学习
2.3.4 强化学习
2.4 机器学习的基本步骤
2.4.1 数据收集
2.4.2 数据准备
2.4.3 模型选择
2.4.4 训练
2.4.5 评价
2.4.6 调优超参数
2.4.7 预测
2.5 小结
第3章 深度学习与神经网络概述
3.1 神经网络和深度学习研究的时间轴
3.2 人工神经网络的结构
3.2.1 McCulloch-Pitts神经元
3.2.2 现代深度神经网络
3.3 深度学习的优化算法
3.3.1 最优化面临的挑战
3.3.2 过度拟合与正则化
3.4 小结
第4章 TensorFlow 2.x的附加程序库
4.1 TensorFlow互补程序库的安装
4.1.1 使用pip安装
4.1.2 程序库的安装
4.2 常见程序库
4.2.1 NumPy——数组处理
4.2.2 SciPy——科学计算
4.2.3 Pandas——数组处理与数据分析
4.2.4 Matplotlib和Seaborn——数据可视化
4.2.5 Scikit-learn——机器学习
4.2.6 Flask——部署
4.3 小结
第5章 TensorFlow 2.0与深度学习流程
5.1 TensorFlow基孙
5.1.1 直接执行
5.1.2 张量
5.1.3 TensorFlow变量
5.2 TensorFlow深度学习流程
5.2.1 数据加载与准备
5.2.2 构建模型
5.2.3 编译、训练、评估模型并进行预测
5.2.4 保存并加载模型
5.3 小结
第6章 前馈神经网络
6.1 深度和浅层前馈神经网络
6.1.1 浅层前馈神经网络
6.1.2 深度前馈神经网络
6.2 前馈神经网络架构
6.3 案例分析：燃油经济学与Auto MPG
6.3.1 初始安装和导入
6.3.2 下载Auto MPG数据
6.3.3 数据准备
6.3.4 创建DataFrame
6.3.5 丢弃空值
6.3.6 处理分类变量
6.3.7 将Auto MPG分为训练集和测试集
6.3.8 模型构建与训练
6.3.9 结果评价
6.3.10 使用新的观测数据进行预测
6.4 小结
第7章 卷积神经网络
7.1 为什么选择使用卷积神经网络
7.2 CNN的架构
7.2.1 CNN中的网络层
7.2.2 完整的CNN模型
7.3 案例研究：MNIST的图像识别
7.3.1 下载MNIST数据
7.3.2 图像的重塑与标准化
7.3.3 构建卷积神经网络
7.3.4 模型的编译与调试
7.3.5 评价模型
7.3.6 保存训练完成的模型
7.4 小结
第8章 循环神经网络
8.1 序列数据与时序数据
8.2 RNN与序列数据
8.3 RNN基础
8.3.1 RNN的历史
8.3.2 RNN的应用
8.3.3 RNN的运作机制
8.3.4 RNN的类型
8.4 案例研究：IMDB影评的情绪分析
8.4.1 为Colab准备GPU加速训练
8.4.2 基于TensorFlow导入的数据集加载
8.4.3 构建循环神经网络
8.5 小结
第9章 自然语言处理
9.1 NLP的历史
9.2 NLP的实际应用
9.3 主要评估、技术、方法和任务
9.3.1 形态句法学
9.3.2 语义学
9.3.3 语篇
9.3.4 语音
9.3.5 对话
9.3.6 认知
9.4 自然语言工具包
9.5 案例研究：深度NLP的文本生成
9.5.1 案例实现目标
9.5.2 莎士比亚语料库
9.5.3 初始导入
9.5.4 加载语料库
9.5.5 文本向量化
9.5.6 创建数据集
9.5.7 模型构建
9.5.8 编译并训练模型
9.5.9 使用训练好的模型生成文本
9.6 小结
第10章 推荐系统
10.1 构建推荐系统的流行方法
10.1.1 协同过滤方法
10.1.2 基于内容的过滤
10.1.3 构建推荐系统的其他方法
10.2 案例开发：深度协同过滤与MovieLens数据集
10.2.1 初始导入
10.2.2 加载数据
10.2.3 数据处理
10.2.4 拆分数据集
10.2.5 构建模型
10.2.6 编译并训练模型
10.2.7 进行推荐
10.3 小结
第11章 自动编码器
11.1 自动编码器的优缺点
11.2 自动编码器的架构
11.2.1 自动编码器的各个层
11.2.2 深度的优势
11.3 自动编码器的变体
11.3.1 欠完备自动编码器
11.3.2 正则化自动编码器
11.3.3 变分自动编码器
11.4 自动编码器的应用
11.5