人工智慧與深度學習 -- 理論與 Python 實踐
黃日鉦
- 出版商: 碁峰資訊
- 出版日期: 2020-03-13
- 定價: $460
- 售價: 7.9 折 $363
- 語言: 繁體中文
- 頁數: 272
- 裝訂: 平裝
- ISBN: 986502389X
- ISBN-13: 9789865023898
-
相關分類:
人工智慧、DeepLearning
立即出貨(限量) (庫存=8)
買這商品的人也買了...
-
貝葉斯方法：概率編程與貝葉斯推斷 (Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference)$534$507 -
Python 機器學習與深度學習特訓班：看得懂也會做的 AI人工智慧實戰 (附120分鐘影音教學/範例程式)$520$411 -
實戰 AI資料導向式學習｜Raspberry Pi x 深度學習 x 視覺辨識$380$300 -
CV+ 深度學習：AI 最完整的跨套件 Python 人工智慧電腦視覺$650$553 -
實戰人工智慧之深度強化學習｜使用 PyTorch x Python$500$395 -
Python + TensorFlow 人工智慧、機器學習、大數據｜超炫專案與完全實戰$540$427 -
機器學習線性代數基礎 (Python 語言描述)$294$279 -
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 -
強者用 PyTorch：實作史上最經典 AI 範例$690$587 -
機器學習的數學基礎 : AI、深度學習打底必讀$580$458 -
AIOT 與 OpenCV 實戰應用：Python、樹莓派、物聯網與機器視覺$480$379 -
Python 自學聖經：從程式素人到開發強者的技術與實戰大全！(附影音/範例程式)$880$695 -
史上最完整細節：Kubernetes 超應用全書$980$833 -
特徵工程不再難：資料科學新手也能輕鬆搞定！ (Feature Engineering Made Easy: Identify unique features from your dataset in order to build powerful machine learning systems)$520$406 -
非監督式學習｜使用 Python (Hands-On Unsupervised Learning Using Python)$680$537 -
深度學習的數學：用數學開啟深度學習的大門 (書況略舊,不介意在下單)$500$390 -
深度學習的數學地圖 -- 用 Python 實作神經網路的數學模型 (附數學快查學習地圖)$580$458 -
東京大學資料科學家養成全書：使用 Python 動手學習資料分析$780$702 -
零基礎入門的機器學習圖鑑：2大類機器學習 X 17種演算法 X Python 基礎教學，讓你輕鬆學以致用$450$405 -
智能硬件與機器視覺：基於樹莓派、Python 和 OpenCV$534$507 -
超圖解 ESP32 深度實作$880$695 -
圖解資料結構 × 演算法：運用 C語言$600$468 -
圖解資料結構 × 演算法：運用 Python$600$468 -
AIoT 智慧物聯網應用實習 - 使用 Arduino C 程式語言結合 ESP32-CAM 開發板：附 MOSME 行動學習一點通：診斷．加值$520$468 -
$862原子嵌入式 Linux 驅動開發詳解
相關主題
商品描述
近年來，深度學習的相關演算法已被廣泛使用在電腦視覺(computer vision)、神經機器翻譯(neural machine translation)、神經風格轉換(neural style transfer)及聊天機器人(chatbots)等的應用。
雖然網路上已經提供了許多深度學習的各種演算法程式，但若只會使用程式卻不瞭解各種演算法的內涵，對於深度學習的領域只能是見樹不見林，無法真正體會深度學習的精要，亦無法有更深入的應用。因此，本書以人工智慧及深度學習的理論基礎著手，來陳述各種人工智慧演算法的理論基礎及完整數學推導過程，並輔以Python來進行各演算法的實踐，以達到精通人工智慧演算法的目的。
本書特色：
•從深度學習的預備知識開始，帶領讀者具備進入深度學習的領域知識。
•提供各種演算法的手算範例，讓讀者更能理解各演算法的過程。
•除介紹在深度學習已常用的方法外，更加介紹新近的各種演算法。
•推導各種演算法的梯度過程，使讀者更深入瞭解演算法的數理過程。
•各章節提供數個Python範例，完整帶領讀者使用深度學習來解決各類問題。
<序>
目前常見用於開發人工智慧的程式語言有C++、Java、Python、LISP及Prolog等，其中Python可說是近年來最熱門的程式語言。主要原因是Python不像C++或Java般的困難，所以更適合快速開發程式，並且有豐富的函式庫支援Python進行各種的深度學習演算法。另一方面，LISP與Prolog都是早期發展人工智慧的程式語言，然而目前受限於使用者社群人數較少，所支援的函式庫並不如其他語言豐富，且LISP與Prolog語言的特色，目前大多都可以在Python中找得到，因此本書以Python來做為開發人工智慧與深度學習的語言程式。
雖然近年來有許多人工智慧及深度學習的書藉陸續出版，但都較為強調語言程式的使用及應用，缺乏對各種演算法的內容做系統性及數學模型的介紹，這樣的學習會較流於表面，而無法學習到各個演算法的精華所在，也無法對各種演算法進行修正或是自創最好的演算法，這對大專院校學生在學習深度學習時，必定有所不足。
因此，本書之主要目的，即是提供深度學習領域內，各種演算的理論基礎及數學模型，提供讀者對於各種模型的深度理解，來瞭解各種演算法的精華所在。再輔以Python程式範例，一步步帶領讀者進入深度學習的世界。
作者簡介
黃日鉦
東吳大學資訊管理學系教授，任教科目包括人工智慧，深度學習，巨量資料分析，多變量分析及社群網路分析。相關研究共計超過60篇期刊論文及會議論文。
目錄大綱
chapter 01 深度學習的預先知識
1-1 線性代數 (Linear Algebra)
1-2 微積分 (Calculus)
1-3 最佳化理論
1-4 統計學
1-5 Python 程式語言介紹
chapter 02 前饋式神經網路
2-1 感知機
2-2 多層感知機
2-3 深度前饋式神經網路
2-4 深度神經網路的梯度下降方式
2-5 過適化問題 (Overfitting Problem)
2-6 程式範例
chapter 03 卷積神經網路
3-1 卷積神經網路架構
3-2 倒傳遞法進行參數更新
3-3 數值範例
3-4 殘差網路
3-5 程式範例
chapter 04 遞迴式神經網路
4-1 遞迴式神經網路
4-2 序列學習 (Sequential Learning)
4-3 Elman 神經網路理論模型
4-4 長短期記憶 (Long Short-Term Memory, LSTM) 模型
4-5 Peephole 長短期記憶 (Peephole LSTM) 模型
4-6 GRU (Gated Recurrent Unit) 模型
4-7 雙向 LSTM (Bidirectional LSTM)
4-8 程式範例
chapter 05 侷限型波茲曼模型、深度信念網路及自編碼器
5-1 侷限型波茲曼模型 (Restricted Boltzmann Machines, RBM)
5-2 深度信念網路 (Deep Belief Networks, DBN)
5-3 自編碼器 (Autoencoders)
5-4 程式範例
chapter 06 其他網路模型
6-1 自迴歸模型 (Autoregressive Models)
6-2 自生成模型 (Generative Models)
6-3 神經圖靈機
6-4 注意力模型 (Attention-based Models)
6-5 程式範例
chapter 07 強化學習
7-1 馬可夫決策過程
7-2 Bellman 方程式
7-3 深度 Q- 網路 (Deep Q-Network, DQN)
7-4 政策梯度 (Policy gradients)
7-5 Advantage Actor-Critic (A2C) Methods
7-6 程式範例
