描述
內容簡介
| 全書共15章，內容如下
■ 第1章 深度學習（Deep Learning）導論 第一章介紹AI的發展趨勢，鑑古知今，瞭解前兩波AI失敗的原因，比較第三波發展的差異性。
■ 第2章 神經網路（Neural Network）原理 第二章介紹深度學習必備的統計/數學基礎，不僅要理解相關知識，也力求能撰寫程式解題。
■ 第3章 TensorFlow 架構與主要功能 第三章介紹TensorFlow基本功能，包括張量(Tensor)運算、自動微分及神經網路模型的組成，並說明梯度下降法求解的過程。
■ 第4章 神經網路實作 第四章開始實作，依照機器學習10項流程，撰寫完整的範例，包括Web、桌面程式。
■ 第5章 TensorFlow 其他常用指令 第五章介紹TensorFlow進階功能，包括各種工具，如TensorBoard、TensorFlow Serving、Callbacks。
■ 第6章 卷積神經網路(Convolutional Neural Network) ■ 第7章 預先訓練的模型(Pre-trained Model) ■ 第8章 物件偵測(Object Detection) ■ 第9章 進階的影像應用 ■ 第10章 生成對抗網路 (GAN) 第六~十章介紹圖像/視訊的演算法及各式應用。
■ 第11章 自然語言處理的介紹 ■ 第12章 自然語言處理的演算法 ■ 第13章 聊天機器人(ChatBot) ■ 第14章 語音辨識 第十一~十四章介紹自然語言處理、語音及各式應用。
■ 第15章 強化學習 第十五章介紹AlphaGo的基礎 -- 『強化學習』演算法。 |
作者簡介
|
目錄
| 第一篇 深度學習導論
第1章 深度學習（Deep Learning）導論 1.1 人工智慧的三波浪潮 1.2 AI 的學習地圖 1.3 機器學習應用領域 1.4 機器學習開發流程 1.5 開發環境安裝 第2章 神經網路（Neural Network）原理 2.1 必備的數學與統計知識 2.2 線性代數(Linear Algebra) 2.3 微積分(Calculus) 2.4 機率(Probability) 與統計 (Statistics) 2.5 線性規劃(Linear Programming) 2.6 最小平方法(OLS) vs. 最大概似法(MLE) 2.7 神經網路(Neural Network)求解
第二篇 TensorFlow 基礎篇 第3章 TensorFlow 架構與主要功能 3.1 常用的深度學習套件 3.2 TensorFlow 架構 3.3 張量(Tensor) 運算 3.4 自動微分(Automatic Differentiation) 3.5 神經層(Neural Network Layer) 第4章 神經網路實作 4.1 撰寫第一支神經網路程式 4.2 Keras 模型種類 4.3 神經層(Layer) 4.4 激勵函數(Activation Function) 4.5 損失函數(Loss Functions) 4.6 優化器(Optimizer) 4.7 效能衡量指標(Performance Metrics) 4.8 超參數調校(Hyperparameter Tuning) 第5章 TensorFlow 其他常用指令 5.1 特徵轉換 5.2 模型存檔與載入(Save and Load) 5.3 模型彙總與結構圖(Summary and Plotting) 5.4 回呼函數(Callbacks) 5.5 TensorBoard 5.6 模型佈署(Deploy) 與TensorFlow Serving 5.7 TensorFlow Dataset 第6章 卷積神經網路(Convolutional Neural Network) 6.1 卷積神經網路簡介 6.2 卷積(Convolution) 6.3 各式卷積 6.4 池化層(Pooling Layer) 6.5 CNN 模型實作 6.6 影像資料增補(Data Augmentation) 6.7 可解釋的AI(eXplainable AI,XAI) 第7章 預先訓練的模型(Pre-trained Model) 7.1 預先訓練模型的簡介 7.2 採用完整的模型 7.3 採用部分模型 7.4 轉移學習(Transfer Learning) 7.5 Batch Normalization 說明
第三篇 進階的影像應用 第8章 物件偵測(Object Detection) 8.1 圖像辨識模型的發展 8.2 滑動視窗(Sliding Window) 8.3 方向梯度直方圖(HOG) 8.4 R-CNN 物件偵測 8.5 R-CNN 改良 8.6 YOLO 演算法簡介 8.7 以TensorFlow 實作YOLO模型 8.8 YOLO 模型訓練 8.9 SSD 演算法 8.10 TensorFlow Object Detection API 8.11 物件偵測的效能衡量指標 8.12 總結 第9章 進階的影像應用 9.1 語義分割(Semantic Segmentation) 介紹 9.2 自動編碼器(AutoEncoder) 9.3 語義分割(Semantic segmentation) 實作 9.4 實例分割(Instance Segmentation) 9.5 風格轉換(Style Transfer) --人人都可以是畢卡索 9.6 臉部辨識(Facial Recognition) 9.7 光學文字辨識(OCR) 9.8 車牌辨識(ANPR) 9.9 卷積神經網路的缺點 第10章 生成對抗網路 (GAN) 10.1 生成對抗網路介紹 10.2 生成對抗網路種類 10.3 DCGAN 10.4 Progressive GAN 10.5 Conditional GAN 10.6 Pix2Pix 10.7 CycleGAN 10.8 GAN 挑戰 10.9 深度偽造(Deepfake)
第四篇 自然語言處理 第11章 生成對抗網路 (GAN) 11.1 詞袋(BOW) 與TF-IDF 11.2 詞彙前置處理 11.3 詞向量(Word2Vec) 11.4 GloVe 模型 11.5 中文處理 11.6 spaCy 套件 第12章 自然語言處理的演算法 12.1 循環神經網路(RNN) 12.2 長短期記憶網路(LSTM) 12.3 LSTM 重要參數與多層LSTM 12.4 Gate Recurrent Unit (GRU) 12.5 股價預測 12.6 注意力機制(Attention Mechanism) 12.7 Transformer 架構 12.8 BERT 12.9 Transformers 套件 12.10 總結 第13章 聊天機器人(ChatBot) 13.1 ChatBot 類別 13.2 ChatBot 設計 13.3 ChatBot 實作 13.4 ChatBot 工具套件 13.5 Dialogflow 實作 13.6 結語 第14章 語音辨識 14.1 語音基本認識 14.2 語音前置處理 14.3 語音相關的深度學習應用 14.4 自動語音辨識(Automatic Speech Recognition) 14.5 自動語音辨識實作 14.6 結語 第15章 強化學習 15.1 強化學習的基礎 15.2 強化學習模型 15.3 簡單的強化學習架構 15.4 Gym 套件 15.5 Gym 擴充功能 15.6 動態規劃(Dynamic Programming) 15.7 值循環(Value Iteration) 15.8 蒙地卡羅(Monte Carlo) 15.9 時序差分(Temporal Difference) 15.10 其他演算法 15.11 井字遊戲 15.12 木棒台車(CartPole) 15.13 結論 |
序
編 者 |
