人工智慧與深度學習：理論與Python實踐

定價：~~460~~ 元

NT $ 363 ~ 428

作者：黃日鉦
出版社：碁峰
出版日期：2020-03-13
語言：繁體中文
ISBN10：986502389X
ISBN13：9789865023898
裝訂：平裝 / 272頁 / 17 x 23 x 1.36 cm / 普通級 / 部份全彩 / 初版

內容簡介

　　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。

作者介紹

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。

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

看更多

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。

看更多