深度學習 -- 最佳入門邁向 AI 專題實戰, 2/e
陳昭明 著
- 出版商: 深智
- 出版日期: 2024-07-19
- 定價: $1,200
- 售價: 7.9 折 $948
- 語言: 繁體中文
- 頁數: 880
- ISBN: 6267383873
- ISBN-13: 9786267383872
-
相關分類:
DeepLearning
- 此書翻譯自: 深度學習全書 — 公式 + 推導 + 代碼 + TensorFlow 全程案例
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
NumPy 高速運算徹底解說 - 六行寫一隻程式？你真懂深度學習？手工算給你看！$750$638 -
Keras 大神歸位：深度學習全面進化！用 Python 實作 CNN、RNN、GRU、LSTM、GAN、VAE、Transformer$1,200$1,020 -
$407SoC 設計方法與實現, 4/e -
完全 OS 核心精修 - 熟稔 Windows API 高級篇$1,280$1,011 -
最強 AI 投資分析：打造自己的股市顧問機器人，股票趨勢分析×年報解讀×選股推薦×風險管理$750$593 -
史上最強 Python 入門邁向頂尖高手之路王者歸來, 3/e (全彩印刷)$1,200$948 -
TensorFlow 模型解析與範例大全$760$501 -
跟 NVIDIA 學深度學習！從基本神經網路到 ......、GPT、BERT...，紮穩機器視覺與大型語言模型 (LLM) 的建模基礎$880$695 -
邊緣AI｜使用嵌入式機器學習解決真實世界的問題 (AI at the Edge: Solving Real-World Problems with Embedded Machine Learning)$880$695 -
用 Python 學 AI 理論與程式實作 (涵蓋Certiport ITS AI國際認證模擬試題)$580$458 -
AI 神助攻！程式設計新境界 – GitHub Copilot 開發 Python 如虎添翼 : 提示工程、問題分解、測試案例、除錯$560$442 -
新一代 Keras 3.x 重磅回歸：跨 TensorFlow 與 PyTorch 建構 Transformer、CNN、RNN、LSTM 深度學習模型$750$593 -
極速 ChatGPT 開發者兵器指南：跨界整合 Prompt Flow、LangChain 與 Semantic Kernel 框架$680$530 -
$505Stable Diffusion AI繪畫從提示詞到模型出圖 -
LLM 的瑞士刀 - 用 LangChain 極速開發可擴充大型應用程式$880$695 -
AI 時代 Math 元年 - 用 Python 全精通統計及機率$1,200$948 -
生成式 AI：以 ChatGPT 與 OpenAI 模型實現高效創新 (Modern Generative AI with ChatGPT and OpenAI Models)$500$395 -
Stable Diffusion：與杰克艾米立攜手專精 AI 繪圖$750$593 -
AI 影音生成狂想曲 – 影片生成 × 語音克隆 × AI 翻唱 × 詞曲創作 × 背景音樂 × 虛擬人像 × 自動字幕$680$537 -
ChatGPT 4 Omni 萬用手冊 2024 夏季號：GPT-4o/GPT-4o mini、GPTs、DALL-E 3、Copilot、Gemini、Claude 3.5$680$537 -
AI 生成影音創作：超好用的文案、圖像、影片、聲音實戰技 (附影音教學)$480$379 -
最新機器學習的教科書, 2/e$780$616 -
台灣之光物件辨識 - 最新 YOLO 原理精讀+實戰$800$632 -
LLM 大型語言模型的絕世祕笈：27路獨步劍法，帶你闖蕩生成式 AI 的五湖四海 （iThome鐵人賽系列書）$650$507 -
演算法 圖解原理 x Python 實作 x 創意應用 王者歸來, 4/e$780$616
相關主題
商品描述
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
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
目錄大綱
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
