深度學習 -- 最佳入門邁向 AI 專題實戰

購買商店

深度學習 -- 最佳入門邁向 AI 專題實戰

$948.00

馬上購買

內容描述

深度學習
最佳入門邁向AI專題實戰
★★★★★【深度學習】★★★★★
☆☆☆☆☆【理論】+【實作】☆☆☆☆☆
    這是目前市面上講解【深度學習(Deep Learning)】從基礎到應用最完整的書籍，從基礎數學與統計開始，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，為避免流於空談，盡量增加應用範例，希望能達到即學即用。多位試閱本書內容的專家與學者全部皆給【五顆星】滿分評價。
    整本書採用【最新版TensorFlow】+【大量圖片輔助】，+ 【完整理論解說】+【Python程式實作】以原理與實作，講解下列最熱門的AI主題。
☆【神經網路(NN)】
☆【卷積神經網路(CNN)】
☆【物件偵測(YOLO)】
☆【光學文字辨識(OCR)】
☆【車牌辨識(ANPR)】
☆【人臉辨識】
☆【生成對抗網路 (GAN)】
☆【深度偽造 (DeepFake)】
☆【自然語言處理(NLP)】
☆【聊天機器人(ChatBot)】
☆【語音辨識(ASR)】
☆【強化學習(RL)】
   讀者只要遵循本書步驟學習相信必可以徹底認識人工智慧、機器學習與深度學習觀念，邁向浩瀚領域。
 
直播活動

主題：深度學習 最佳入門邁向AI專題實戰——由作者親自導讀
日期：8/18 (WED) 15:00 PM
直播：zoom
ID：92938896341
Password：889633
---前50名參加者可獲得100元天瓏折扣碼---

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

作者介紹

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