四大部分

1. 第一部分仅有一章，大致介绍了什么是人工智能、机器学习和深度学习， 10 以及为什么要用 JavaScript 进行深度学习
2. 第二部分深入浅出地讲解深度学习中最根本、最常见的一些概念。
   1. 第二章和第三章为之后的机器学习内容预热。第二章以如何通过拟合一条直线（线性回归）从一个数字预测另一个数字为例，讲解方向传播算法这一深度学习背后的引擎的工作原理。第三章基于第二章的内容，介绍非线性、多层神经网络和分类任务，将从中了解非线性的定义、它的工作原理以及它赋予深度神经网络表现力的原因。
   2. 第四章讲解图像数据和专用于解决机器学习问题（与图像相关）的神经网络架构：卷积神经网络。此外，将用一个音频处理示例展示为什么卷积的应用不限于图像处理。
   3. 第五章继续聚焦于卷积网络和类图像的输入，然后会将话题引申到迁移学习上，也就是如何基于已有的模型训练新的模型，不用从零开始训练。
3. 第三部分系统讲解深度学习领域中一些更高级的话题，这部分主要针对希望了解前沿技术的 读者。重点是机器学习系统中一些富有挑战性的部分，以及如何用 TensorFlow.js 来处理它们。
   1. 第六章针对深度学习讨论如何处理数据
   2. 第七章展示如何可视化数据以及处理数据的模型，这对任何深度学习流程来说都是重要且必不可少的一步。
   3. 第八章聚焦于欠拟合和过拟合，以及相应的分析与应对技巧，这些是深度学习中的重要 话题。通过这一章的讨论，我们将前几章的知识凝结为一个叫作“机器学习通用流程” 的方法论。这一章将为你学习第 9~11 章中的高级神经网络架构打好基础。
   4. 第九章介绍用于处理序列数据和文本输入的深度神经网络。
   5. 第十章和第十一章分别介绍生成式模型（包括生成式对抗网络）和强化学习这两个高级的深度学习问题。
4. 第四部分
   1. 第十二章讲解如何测试、优化和部署由TensorFlow.js训练或转换而成的模型。
   2. 第十三章总结，回顾重要的概念和流程。