loading
cover

人工智慧與深度學習:理論與Python實踐

點閱數

作者
黃日鉦

出版社
碁峰資訊

格式
PDF

 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。
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。
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

其他人也在看