描述
內容簡介
|
☆★☆ Youtube頻道訂閱超過160萬 ☆★☆ ☆★☆ 影片觀看次數突破9200萬次 ☆★☆ ☆★☆ StatQuest with Josh Starmer幕後創作者繁體中文書 ☆★☆ ☆★☆ 看漫畫學習神經網路與深度學習 ☆★☆
Josh Starmer博士在YouTube的影片觀看次數突破9200萬次（截至2026年6月的數據），他幫助世界各行各業的人贏得數據科學競賽、通過考試、順利畢業、成功求職或晉升，因此被大家譽為「矽谷守護神」。 本書是面對大眾的神經網路與深度學習科普書籍，延續了Josh Starmer博士暢銷書《StatQuest圖解機器學習》的視覺化表達形式與幽默的語言風格。書中並未簡化核心概念，而是將複雜的AI技術拆解為一個個演算法小片段，透過串連這些片段，清楚呈現神經網路的構成邏輯，以及AI技術的誕生原理，引導讀者更深入透徹的理解神經網路與深度學習的本質。同時，本書注重理論與實踐的結合，每一個核心概念都有搭配PyTorch實作教學，手把手教讀者從零開始編寫神經網路程式碼。 全書兼顧扎實的基礎理論與落地的實踐操作，內容上從統計基礎知識逐步延伸至神經網路核心原理，搭配完整的PyTorch程式碼，非常適合AI技術入門者基礎學習。 |
作者簡介
| Josh Starmer
YouTube熱門頻道「StatQuest with Josh Starmer」的幕後創作者。他以創新的視覺呈現方式和獨特的教學風格，向全世界好奇的人們解釋了統計學、資料科學和機器學習的概念與演算法。 StatQuest幫助世界各行各業的人贏得資料科學競賽、通過考試、順利畢業、成功求職或晉升。因此，Josh被大家譽為「矽谷守護神」；他也被譽為「統計學的比爾·奈」，因為他以趣味橫生的方式使機器學習這一話題變得引人入勝；還有人讚譽他為「資料的鮑伯·魯斯」，因為他拒絕炒作，通過輕鬆幽默的歌曲幫助人們減輕學習壓力。 |
目錄
| 第1章 神經網路和人工智慧的基本原理
神經網路：主要思維1 神經網路：主要思維2 啟動函數：主要思維 神經網路的實際應用：詳解 PyTorch：基本神經網路
第2章 使用反向傳播優化權重和偏置 反向傳播：主要思維 優化單個權重：詳解 優化單個權重：求導 優化單個權重：梯度下降法 SGD和Adam法：主要思維 優化所有權重：主要思維 優化所有參數：等式 優化所有參數：求導 優化所有參數：梯度下降法 PyTorch：反向傳播
第3章 多輸入多輸出的神經網路 多輸入多輸出：主要思維 多輸入多輸出的實際應用：詳解 PyTorch：多輸入多輸出的神經網路
第4章 使用ArgMax和SoftMax簡化輸出 ArgMax和SoftMax：主要思維 ArgMax：詳解 SoftMax：詳解 PyTorch：ArgMax函數和SoftMax函數
第5章 透過交叉熵提升訓練效率 交叉熵：主要思維 交叉熵：詳解 交叉熵與反向傳播
第6章 卷積神經網路和圖像分類 卷積神經網路：主要思維 卷積神經網路：詳解 PyTorch：卷積神經網路
第7章 循環神經網路與股票預測 循環神經網路：主要思維 循環神經網路：詳解 循環神經網路：反向傳播 梯度消失/梯度爆炸問題
第8章 長短期記憶網路與更好的股票預測 長短期記憶網路：主要思維 長短期記憶網路：詳解 長短期記憶網路：實際應用 PyTorch：長短期記憶網路
第9章 詞嵌入技術在單詞數值化中的應用 詞嵌入：主要思維 優化單個權重：詳解 PyTorch：詞嵌入
第10章 編碼器—解碼器架構與機器翻譯 編碼器—解碼器架構：主要思維 編碼器—解碼器架構：詳解 PyTorch編碼器解碼器模型
第11章 注意力機制與更好的機器翻譯 注意力機制：主要思維 優化單個權重：詳解 PyTorch：注意力機制
第12章 Transformer架構與更強大的機器翻譯 Transformer：主要思維 Transformer：編碼器詳解 Transformer：解碼器詳解 Transformer：層的歸一化 Transformer：相似度的度量 Transformer：多頭注意力 Transformer：額外的全連接層 Transformer：堆疊子單元 Transformer：模型訓練/ PyTorch：基於編碼器解碼器Transformer模型的架構
第13章 僅解碼器Transformer架構與海量文本生成 僅解碼器Transformer：主要思維 僅解碼器Transformer：詳解 僅解碼器Transformer：模型訓練 PyTorch：僅解碼器Transformer
第14章 僅編碼器Transformer在分類與聚類中的應用 僅編碼器Transformer：主要思維 僅編碼器Transformer：詳情 僅編碼器Transformer：實際應用 僅編碼器Transformer：模型訓練 僅編碼器Transformer：透過預訓練模型的程式碼實現
致謝 附錄 在課堂裡學過，但需要溫習的知識 (至深智官網下載) |
序
| 致謝
首先，謹向以下在Patreon與YouTube上支持StatQuest的朋友致上最誠摯的感謝：WayOffTrack、E.Johnson、J.Gaynes、Adila、J.Butt、M.與Scola，正因有諸位的支持，我的工作才能持續推進。 特別感謝文字編輯Wendy Spitzer。她為本書投入許多心力，不僅修正了大量文字錯誤，也針對可讀性提供了寶貴建議，讓每個概念都能清楚、精準地呈現。 技術審校團隊Adila、Reda Merzouki、Luis Serrano、Terry Smith、Ashwani Singh和Samuel Judge同樣功不可沒。他們在版面設計、數學推導等多個面向提供了專業支援，在此一併致謝。 同時也感謝Pramod與Minaaz Khera，協助本書順利在印度完成印製。 若沒有Adrian Wälchli的協助，我就無法完成任何與PyTorch相關的程式碼。衷心感謝他在整個過程中提供的指導與支持。 最後，謹向Will Falcon及Lightning AI團隊致謝，並特別感謝Nikita、Sebastian、Jirka、JP與Laura的參與與貢獻。 |
