
0人評分過此書
人工智慧與深度學習:理論與Python實踐
近年來,深度學習的相關演算法已被廣泛使用在電腦視覺(computervision)、神經機器翻譯(neuralmachinetranslation)、神經風格轉換(neuralstyletransfer)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。
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。
-
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
-
- 出版地 : 臺灣
- 語言 : 繁體中文
評分與評論
請登入後再留言與評分