以下是关于深度学习之javascript系列的目录，原书来自于livebook.manning.com/book/deep-l…,我将周期性不定时进行中文翻译本的加载，对machine learning with javascript有兴趣的天使们可以关注我，咱们一起学习并讨论，让我们共同来探寻智能与前端连接点，帮助前端迈进智能化时代～
1.简介篇：深度学习和javascript
内容包括：
- 什么是深度学习及其与人工智能（AI）和机器学习的关系
- 是什么让深度学习在各种机器学习技术中脱颖而出，以及导致当前“深度学习革命”的因素
- 使用TensorFlow.js在JavaScript中进行深度学习的原因
- 本书的整体内容
2.开始篇：TensorFlow.js中的线性回归
内容包括：
- 基本神经网络示例，用于线性回归的简单机器学习任务
- 张量和张量运算
- 基本的神经网络优化
3.非线性回归及加权
内容包括：
- 什么是非线性以及神经网络的隐藏层中的非线性如何增强网络的容量并带来更好的预测精度
- 什么是超参数及其调整方法
- 网络钓鱼网站检测示例来介绍在输出层通过非线性进行二进制分类
- 鸢尾花示例介绍多类分类及其与二元分类的区别
4.卷积神经网络识别图像和声音
内容包括：
- 图像和其他感知数据（例如音频）如何表示为多维张量
- 什么是卷积神经网络（convnet），它们如何工作以及它们为什么特别适合图像的机器学习任务
- 如何在TensorFlow.js中编写和训练卷积网络以解决对数字进行分类的任务
- 如何在Node.js中训练模型以实现更快的训练速度
- 如何在音频数据上使用卷积网络以进行语音识别
5.转移学习：重用预训练的神经网络
内容包括：
- 什么是迁移学习？为什么它比针对多种类型的问题从头训练模型更好？
- 如何通过从Keras进行转换并将其导入TensorFlow.js来利用最新的预训练卷积神经网络（convnets）的特征提取能力
- 什么是SymbolicTensor以及它们如何帮助您实现模型组件的灵活“即插即用”
- 为什么您应该在转移学习期间冻结其他层来仅更新模型的某些层
- 如何用新的输出层替换预训练卷积网络的输出层，以解决不同类型的转移学习任务和数据集
- 什么是微调及其如何帮助您从迁移学习中获得更准确的模型
- 如何在TensorFlow.js中使用转移学习来实现对象检测
6.数据集
内容包括：
- 如何使用tf.data API对大型数据集进行模型训练
- 探索数据以发现并解决潜在问题
- 如何使用数据扩充来创建新的“伪示例”以提高模型质量
7.可视化数据和模型
内容包括：
- 如何使用tfjs-vis执行数据的自定义可视化
- 训练模型并获得成效后，如何窥视模型的内部工作原理
8.欠拟合，过度拟合和机器学习的通用工作流
内容包括：
- 为什么对模型训练过程进行可视化很重要，以及要寻找的重要内容是什么
- 如何进行可视化并理解欠拟合和过拟合
- 处理过度拟合的主要方法：正则化，以及如何可视化其效果
- 机器学习的通用工作流程是什么，包括什么步骤，以及为什么它是指导所有监督的机器学习任务的重要秘诀
9.深度学习之序列以及文本
内容包括：
- 排序数据与非排序数据有何不同
- 哪些深度学习技术适合涉及顺序数据的问题
- 如何在深度学习中表示文本数据，包括一键编码，多键编码和词嵌入
- 什么是递归神经网络（RNN）以及为什么它们适合于顺序问题
- 一维卷积是什么以及为什么它是RNN的替代方案
- 序列到序列（seq2seq）任务的独特属性以及如何使用注意力机制解决它们
10.生成型深度学习
内容包括：
- 什么是生成型深度学习，其应用以及它与我们到目前为止所看到的深度学习任务有何不同
- 如何使用递归神经网络生成文本
- 通过变分自动编码器（VAE）的示例，什么是潜在空间及其如何形成生成新颖图像的基础
- 生成对抗网络（GAN）的基础
11.强化学习基础
内容包括：
- 强化学习（RL）与前几章中介绍的监督学习有何不同
- 强化学习的基本范式：代理，环境，行为和奖励，以及它们之间的相互作用
- 解决RL问题的两种主要方法背后的一般思想：基于策略的方法和基于价值的方法
- 以示例为基础的基于策略的RL算法：使用策略梯度（PG）方法解决购物车问题
- 通过基于Q值的RL算法为例：使用深度Q网络（DQN）解决蛇游戏。
12.测试，优化，部署模型
内容包括：
- 测试和监视机器学习代码的重要性和实用准则
- 如何在TensorFlow.js中或转换为TensorFlow.js进行模型的训练优化以更快地加载和推断
- 如何将TensorFlow.js模型部署到各种平台和环境，从浏览器扩展到移动应用程序，从台式机应用程序到单板计算机
13.总结与展望
内容包括：
- 回顾关于人工智能和深度学习的高级概念和想法
- 在本书中简要介绍了各种深度学习算法，它们何时有用以及如何在TensorFlow.js中实现它们。
- 来自TensorFlow.js生态系统的预训练模型
- 目前深度学习的局限性； 有关未来几年深度学习趋势的有根据的预测
- 有关如何进一步提高您的深度学习知识并与时俱进的最新指南。
