这是一本基于Python和TensorFlow的全栈式的深度学习指南，书中基础和理论讲解全面，原理和拓展分析深入，应用和实践也极具实战性，是多位人工智能和大数据领域的专家多年经验的结晶。 吴茂贵//王冬//李涛//杨本法著的《Python深度学习(基于TensorFlow)/智能系统与技术丛书》一共22章，在结构上分为三大部分： 第一部分（第1～5章）Python与数学基础 第1章详细讲解了Python和TensorFlow的基石NumPy；第2章介绍了深度学习框架的鼻祖Theano，帮助读者更好地理解TensorFlow；第3～5章是机器学习和深度学习必备的应用数学基础，包括线性代数、概率论、信息论、概率图等内容。 第二部分（第6～20章）TensorFlow深度学习理论与应用 第6章介绍了机器学习和深度学习的基础，其中包含很多机器学习经典理论和算法；第7章为深度学习的理论及方法；第8～15章讲解了TensorFlow的安装、TensorFlow基础、图像处理、神经元函数、自编码器、Word2Vec、卷积神经网络、循环神经网络等内容，包含大量案例；第16章讲解了TensorFlow的高级封装，如Keras、Estimator、TFLearn等内容；第17～20章是TensorFlow的综合实战案例，涉及情感分析、图像识别、自然语言处理等重要主题。 第三部分（第21～22章）深度学习扩展 第21～22章重点介绍了强化学习和生成式对抗网络等较为前沿的内容。 更为重要的是，为了使内容更加通俗易懂，本书颇花了一番心思。内容安排上，由点到面、由易到难，找准突破口；写作方式上，采用了图形化的表达，一图胜千言。

前言
第一部分 Python及应用数学基础
第1章 NumPy常用操作
1.1 生成ndarray的几种方式
1.2 存取元素
1.3 矩阵操作
1.4 数据合并与展平
1.5 通用函数
1.6 广播机制
1.7 小结
第2章 Theano基础
2.1 安装
2.2 符号变量
2.3 符号计算图模型
2.4 函数
2.5 条件与循环
2.6 共享变量
2.7 小结
第3章 线性代数
3.1 标量、向量、矩阵和张量
3.2 矩阵和向量运算
3.3 特殊矩阵与向量
3.4 线性相关性及向量空间
3.5 范数
3.6 特征值分解
3.7 奇异值分解
3.8 迹运算
3.9 实例：用Python实现主成分分析
3.10 小结
第4章 概率与信息论
4.1 为何要学概率、信息论
4.2 样本空间与随机变量
4.3 概率分布
4.3.1 离散型随机变量
4.3.2 连续型随机变量
4.4 边缘概率
4.5 条件概率
4.6 条件概率的链式法则
4.7 独立性及条件独立性
4.8 期望、方差及协方差
4.9 贝叶斯定理
4.10 信息论
4.11 小结
第5章 概率图模型
5.1 为何要引入概率图
……
第二部分 深度学习理论与应用
第6章 机器学习基础
第7章 深度学习挑战与策略
第8章 安装TensorFlow
第9章 TensorFlow基础
第10章 TensorFlow图像处理
第11章 TensorFlow神经元函数
第12章 TensorFlow自编码器
第13章 TensorFlow实现Word2Vec
第14章 TensorFlow卷积神经网络
第15章 TensorFlow循环神经网络
第16章 TensorFlow高层封装
第17章 情感分析
第18章 利用TensorFlow预测乳腺癌
第19章 聊天机器人
第20章 人脸识别
第三部分 扩展篇
第21章 强化学习基础
第22章 生成式对抗网络