人工智慧與深度學習 -- 理論與 Python 實踐

黃日鉦

  • 出版商: 碁峰資訊
  • 出版日期: 2020-03-13
  • 定價: $460
  • 售價: 7.9$363
  • 語言: 繁體中文
  • 頁數: 272
  • 裝訂: 平裝
  • ISBN: 986502389X
  • ISBN-13: 9789865023898
  • 相關分類: 人工智慧DeepLearning
  • 立即出貨(限量) (庫存=8)

  • 人工智慧與深度學習 -- 理論與 Python 實踐-preview-1
  • 人工智慧與深度學習 -- 理論與 Python 實踐-preview-2
  • 人工智慧與深度學習 -- 理論與 Python 實踐-preview-3
  • 人工智慧與深度學習 -- 理論與 Python 實踐-preview-4
  • 人工智慧與深度學習 -- 理論與 Python 實踐-preview-5
  • 人工智慧與深度學習 -- 理論與 Python 實踐-preview-6
  • 人工智慧與深度學習 -- 理論與 Python 實踐-preview-7
  • 人工智慧與深度學習 -- 理論與 Python 實踐-preview-8
  • 人工智慧與深度學習 -- 理論與 Python 實踐-preview-9
人工智慧與深度學習 -- 理論與 Python 實踐-preview-1

買這商品的人也買了...

商品描述

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。

 

<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。

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。

目錄大綱

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