圖解AI｜機器學習和深度學習的技術與原理
內容描述
收錄豐富的圖示與詳盡的解說，即便完全零知識也能夠輕鬆學習。
機器學習與深度學習的原理與技術，單靠這一本 就能深入瞭解的教科書
「人工智慧」、「機器學習」、「深度學習」這些以前在科幻小說中才會見到的字眼，如今已經深入我們的日常，成為大家平日琅琅上口的名詞。可是，真的想要深入一點了解這些名詞，一翻開相關書籍，看到滿滿的數學公式頭就暈了，難道沒有人能夠用大家都聽得懂的方式解釋這些科技名詞嗎？
本書就是因應您心中的吶喊而生的一本書。這本書不會給你滿滿的數學式，而是藉由生活化的舉例、圖解進行說明，盡可能地表達人工智慧的正確知識。期望各位能夠透過本書，觸及機器學習的趣味與可能性，進而踏入機器學習的世界中。
藉由本書，您將可以：
．了解人工智慧、機器學習、深度學習三者之間的關係
．機器學習的程序與核心技術
．了解機器學習應用了哪些演算法
．深度學習的程序與核心技術
．了解深度學習應用了哪些演算法
<序>
近年，出現愈來愈多不需要機器學習資料庫、程式設計的機器學習服務，即便不是這方面的專家，只要準備好資料利用這類服務，就能夠獲得相應的結果。然而，明明不清楚機器學習演算法是如何運行，卻毫無根據地相信跑出的結果，將其用於重要的商業場景上，不得不說是相當危險的情況。一般的IT工程學會兼顧初學者與熟練者，網羅各種網路文章、專業書籍的解說。然而，在機器學習的習得上，網路文章通常給人偏重「容易閱讀」的印象，但有許多文章省略了必要的說明，難以讓人扎實地理解機器學習。而專業書籍的解說，又使用了大量的數學公式，這對以成為AI工程師為目標的人來說，進入的門檻相當高。
本書採取折衷的做法，不是堆砌數學式進行艱難的解說，而是藉由示例、插圖用簡單易懂的方式講解，盡可能正確表達AI工程師必須理解的知識。期望各位能夠透過本書，觸及機器學習的趣味與可能性，進而踏入機器學習的世界當中。
目錄大綱
第1章｜人工智慧的基礎知識
01 何謂人工智慧？
02 何謂機器學習（ML）？
03 何謂深度學習（DL）？
04 人工智慧與機器學習的普及過程
第2章｜機器學習的基礎知識
05 監督式學習的機制
06 非監督式學習的機制
07 增強學習的機制
08 統計與機器學習的差異
09 機器學習與特徵量
10 擅長與不擅長的領域
11 機器學習的運用範例
第3章｜機器學習的程序與核心技術
12 機器學習的基本工作程序
13 蒐集資料
14 資料變形
15 模型的作成與學習
16 批次學習與線上學習
17 使用測試資料驗證預測結果
18 學習結果的評估基準
19 超參數與模型的調整
20 主動學習
21 相關與因果
22 反饋迴圈
第4章｜機器學習的演算法
23 迴歸分析
24 支援向量機
25 決策樹
26 整體學習
27 整體學習的運用
28 邏輯迴歸
29 貝葉斯模型
30 時序分析與狀態空間模型
31 K 近鄰法（K-NN）與 K 平均法（K-Means）
32 維度縮減與主成分分析
33 最佳化與遺傳演算法
第5章｜深度學習的基礎知識
34 類神經網路與其歷史
35 深度學習與圖像辨識
36 深度學習與自然語言處理
第6章｜深度學習的程序與核心技術
37 誤差反向傳播法的類神經網路學習
38 類神經網路的最佳化
39 梯度消失問題
40 遷移學習
第7章｜深度學習的演算法
41 卷積類神經網路（CNN）
42 遞歸類神經網路（RNN）
43 增強學習與深度學習
44 自動編碼器
45 GAN（生成對抗網路）
46 物體偵測
第8章｜系統開發與開發環境
47 編寫人工智慧的主要程式語言
48 機器學習用資料庫與框架
49 深度學習的框架
50 GPU程式設計與高速化
51 機器學習服務
作者介紹
山口 達輝
Aidemy股份有限公司的工程師。在Aidemy Premium Plan中，指導學員基本的機器學習程式設計、機器學習的實作。大學專攻運輸的自動駕駛技術，但在其他學科課程上，偶然從講師的題外話感受到機器學習的可能性，遂轉而成為AI工程師。
現在的興趣是人工智慧與腦科學的科技整合。「何謂人心？」這從國中時期就抱有的疑問再次點燃於胸中，開始大量閱讀認知科學的論文。
松田 洋之
Aidemy股份有限公司的工程師，在Aidemy Premium Plan中，協助回答學員的問題、諮詢討論、Aidemy的教材修正。原為文科出身，因高中時期對三角函數的加法定理感到挫折，大學起初選擇文學系（經濟學），但途中轉而攻讀工學系，成為機器學習工程師。興趣是經濟學與資訊科學的融合領域，前者是討論財產分配的最佳化，後者是討論運算資源的最佳化，由這點認為兩者的差異並不大。另外，因感覺機器學習幾乎不會用不到積分，而確信即便是文科出身，只要正確學習也能夠開拓通往機器學習工程師的道路。
