特價 -75%

開發者傳授PyTorch秘笈 DM2235

原始價格:NT$1,200。目前價格:NT$300。

出版商 深智數位股份有限公司
出版日期 2022年6月20日
語言 繁體中文
頁數 872
ISBN 9786267146156

已售完

貨號: DM2235-1 Category:

描述

什麼是回頭書?

新書出版時,在運送或上市過程中可能有汙損、折痕、被蓋章或被貼上貼紙,但這些並不影響書中本身豐富的內容。

“回頭書”是指消費者用更低的價格來獲取與原價相同的閱讀價值,如不在意外觀折損、瑕疵,回頭書即是另一種使用低預算購買好書的省錢方式。

 

回頭書售價

每本售價300元,不限品項

物流處理費NT100元

消費金額滿500元即可享有免運費

 

付款方式

銀行匯款

永豐銀行(銀行代號:807)

戶名:深智數位股份有限公司

帳號:157-018-0003397-1

如有匯款請於訂單上備註轉帳之銀行帳號後五碼。

 

>>購買注意事項<<

  1. 購買前請先確認可否接受書籍含有瑕疵,下單即表示消費者同意。
  2. 商品售出後不受理退貨。
  3. 商品庫存若顯示為0,即表示無庫存,如有取消訂單,庫存量將會更新重新計算。
  4. 本活動僅限於台灣、澎湖、金門、馬祖等地區,不適用於海外。

 

內容簡介

2022 開發者唯一指定 PyTorch 祕笈!~
深度學習【必備數學與統計原理】✕【圖表說明】✕【 PyTorch 實際應用】

 

作者品質保證

🎖多次登上博客來、天瓏書局資訊類書籍暢銷排行榜
🎖經過眾多專家與學者試閱昭明老師著作皆給予「5 顆星」滿分評價!

 

入門深度學習、實作各種演算法最佳教材!

🔸以【統計/數學】為出發點,介紹深度學習必備的數理基礎
🔸以【程式設計取代定理證明】,讓離開校園已久的在職者不會看到一堆數學符號就心生恐懼,縮短學習歷程,增進學習樂趣
🔸摒棄長篇大論,輔以【大量圖表說明】介紹各種演算法
🔸【完整的範例程式】及【各種演算法的延伸應用】!直接可在實際場域應用。
🔸介紹日益普及的【演算法 + 相關套件】的使用
🔸介紹 PyTorch 最新版本功能
🔸與另一本姊妹作《深度學習–最佳入門邁向 AI 專題實戰》搭配,可同時學會 PyTorch 與 TensorFlow

 

從基礎理解到 PyTorch 獨立開發,一氣呵成!

本書專為 AI 開發者奠定扎實基礎,從數學統計 ▶️ 自動微分 ▶️ 梯度下降 ▶️ 神經層,由淺入深介紹深度學習的原理,並透過大量 PyTorch 框架應用實作各種演算法:

● CNN (卷積神經網路)
● YOLO (物件偵測)
● GAN (生成對抗網路)
● DeepFake (深度偽造)
● OCR (光學文字辨識)
● ANPR (車牌辨識)
● ASR (自動語音辨識)
● BERT / Transformer
● 臉部辨識
● Knowledge Graph (知識圖譜)
● NLP (自然語言處理)
● ChatBot
● RL (強化學習)
● XAI (可解釋的 AI)

作者簡介

陳昭明

●曾任職於 IBM、工研院等全球知名企業
●IT 邦幫忙 2018 年 AI 組【冠軍】
●多年 AI 課程講授經驗

目錄

第一篇/深度學習導論

1 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 TensorFlow vs. PyTorch

1-4機器學習開發流程

1-5開發環境安裝

1-6 免費雲端環境開通

 

2 神經網路 (Neural Network) 原理

2-1必備的數學與統計知識

2-2萬般皆自『迴歸』起

2-3神經網路

 

第二篇/PyTorch 基礎篇

3 PyTorch 學習路徑與主要功能

3-1 PyTorch學習路徑

3-2張量運算

3-3自動微分(Automatic Differentiation)

3-4 神經層(Neural Network Layer)

3-5 總結

 

4 神經網路實作

4-1撰寫第一支神經網路程式

4-2  模型種類

4-3 神經層(Layer)

4-4 激勵函數(Activation Functions)

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)

 

5 PyTorch 進階功能

5-1  資料集(Dataset)及資料載入器(DataLoader)

5-2 TensorBoard

5-3 模型佈署(Deploy)與TorchServe

 

6 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)

 

7 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

8 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 YOLO測試

8-8 YOLO環境建置

8-9 YOLO模型訓練

8-10 YOLOv5模型訓練

8-11 SSD演算法

8-12 物件偵測的效能衡量指標

8-13 總結

 

9 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

 

10 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

11 自然語言處理的介紹

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

 

12 自然語言處理的演算法

12-1 循環神經網路(RNN)

12-2 PyTorch 內建文本資料集

12-3 長短期記憶網路(LSTM)

12-4自訂資料集

12-5 時間序列預測

12-6 Gate Recurrent Unit (GRU)

12-7 股價預測

12-8 注意力機制(Attention Mechanism)

12-9 Transformer架構

12-10 BERT

12-11 Transformers套件

12-12 總結

 

13 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

 

14 語音辨識

14-1語音基本認識

14-2語音前置處理

14-3 PyTorch語音前置處理

14-4 PyTorch內建語音資料集

14-5語音深度學習應用

14-6自動語音辨識(Automatic Speech Recognition)

14-7自動語音辨識實作

14-8 結語

 

第五篇/強化學習 (Reinforcement Learning)

15 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 井字遊戲

15-11 連續型狀態變數與Deep Q-Learning演算法

15-12 Actor Critic演算法

15-13 實際應用案例

15-14 其他演算法

15-15 結論

 

第六篇/圖神經網路 (GNN)

16 圖神經網路 (GNN)

16-1 圖形理論(Graph Theory)

16-2 PyTorch Geometric(PyG)

16-3 圖神經網路(GNN)

16-4 結論

 

為何撰寫本書

從事機器學習教育訓練已屆五年,其間也在『IT邦幫忙』撰寫上百篇的文章(https://ithelp.ithome.com.tw/users/20001976/articles),從學員及讀者的回饋獲得許多寶貴意見,期望能將整個歷程集結成冊,同時,相關領域的進展也在飛速變化,過往的文章內容需要翻新,因此藉機再重整思緒,想一想如何能將演算法的原理解釋得更簡易清晰,協助讀者跨入AI的門檻,另外,也避免流於空談,盡量增加應用範例,希望能達到即學即用,不要有過多理論的探討。

AI是一個將資料轉化為知識的過程,演算法就是過程中的生產設備,最後產出物是模型,再將模型植入各種硬體裝置,例如電腦、手機、智慧音箱、自駕車、醫療診斷儀器、…等,這些裝置就擁有特殊專長的智慧,再進一步整合各項技術就構建出智慧製造、智慧金融、智慧交通、智慧醫療、智慧城市、智慧家庭、…等應用系統。AI的應用領域如此的廣闊,個人精力有限,當然不可能具備十八般武藝,樣樣精通,惟有從基礎紮根,再擴及有興趣的領域,因此,筆者撰寫這本書的初衷,非常單純,就是希望讀者在紮根的過程中,貢獻一點微薄的力量。

 

PyTorch vs. TensorFlow

深度學習的初學者常會問『應該選擇PyTorch或 TensorFlow套件』,依筆者個人看法,PyTorch、TensorFlow好比倚天劍與屠龍刀,各有擅場,兩個套件的發展方向有所不同,例如在偵錯方面,PyTorch比較容易,但TensorFlow/Keras建模、訓練、預測都只要一行程式,另外,物件偵測主流演算法YOLO,第四版以TensorFlow開發,第五版則以PyTorch開發,若我們只懂TensorFlow,那就無法使用最新版了。

PyTorch與TensorFlow基本設計概念是相通的,可以採用相同的approach,同時學會兩個套件,本書主要以PyTorch開發,另一本姊妹作『深度學習--最佳入門邁向AI專題實戰』,則以TensorFlow為主,兩相對照,可以發現要兼顧一點也不難,還可以比較彼此的優劣。

 

本書主要的特點

1.     由於筆者身為統計人,希望能『以統計/數學為出發點』,介紹深度學習必備的數理基礎,但又不希望內文有太多數學公式的推導,讓離開校園已久的在職者看到一堆數學符號就心生恐懼,因此,嘗試以『程式設計取代定理證明』,縮短學習歷程,增進學習樂趣。

2.     PyTorch版本變動快速,幾乎每一、兩個月就更新一個小版本,並且不斷的推出新擴充模組,本書期望對PyTorch主體架構作完整性的介紹外,也儘可能對最新的模組功能作深入探討。

3.     各種演算法介紹以理解為主,輔以大量圖表說明,摒棄長篇大論。

4.     完整的範例程式及各種演算法的延伸應用,以實用為要,希望能觸發讀者靈感,能在專案或產品內應用。

5.     介紹日益普及的演算法與相關套件的使用,例如YOLO(物件偵測)、GAN(生成對抗網路)/DeepFake(深度偽造)、OCR(辨識圖像中的文字)、臉部辨識、BERT/Transformer、聊天機器人(ChatBot)、強化學習(Reinforcement Learning)、自動語音辨識(ASR) 、知識圖譜(Knowledge Graph)等。

 

目標對象

1.     深度學習的入門者:必須熟悉Python程式語言及機器學習基本概念。

2.     資料工程師:以應用系統開發為職志,希望能應用各種演算法,進行實作。

3.     資訊工作者:希望能擴展深度學習知識領域。

4.     從事其他領域的工作,希望能一窺深度學習奧秘者。

 

閱讀重點

1.     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。

2.     第二章介紹深度學習必備的統計/數學基礎,徹底理解神經網路求解的方法(梯度下降法)與原理。

3.     第三章介紹PyTorch基礎功能,包括張量(Tensor)運算、自動微分、神經層及神經網路模型。

4.     第四章開始實作,依照機器學習10項流程,以PyTorch撰寫完整的範例,包括各式的損失函數、優化器、效能衡量指標。

5.     第五章介紹PyTorch進階功能,包括各種工具,如資料集(Dataset)及資料載入器(DataLoader)、前置處理、TensorBoard以及TorchServe佈署工具,包括Web、桌面程式。

6.     第六~十章介紹圖像/視訊的演算法及各式應用。

7.     第十一~十四章介紹自然語言處理、語音及各式應用。

8.     第十五章介紹AlphaGo的基礎 -- 『強化學習』演算法。

9.     第十六章介紹 圖神經網路(Graph Neural Network, GNN)。

 

本書範例程式碼全部收錄在 https://github.com/mc6666/PyTorch_Book 。

 

致謝

因個人能力有限,還是有許多議題成為遺珠之憾,仍待後續的努力,過程中要感謝冠瑀在編輯/校正/封面構想的盡心協助,也感謝深智出版社的大力支援,使本書得以順利出版,最後要謝謝家人的默默支持。

 

內容如有疏漏、謬誤或有其他建議,歡迎來信指教(mkclearn@gmail.com)。

額外資訊

出版商

深智數位股份有限公司

出版日期

2022年6月20日

語言

繁體中文

頁數

872

ISBN

9786267146156