精確掌握 AI 大趨勢!深度學習技術解密:日本 AI 神人,帶你正確學會從機器學習到生成式 AI 的核心基礎
岡野原大輔 著 王心薇 施威銘研究室 合譯
- 出版商: 旗標科技
- 出版日期: 2024-08-16
- 定價: $630
- 售價: 7.9 折 $498
- 語言: 繁體中文
- 頁數: 304
- 裝訂: 平裝
- ISBN: 9863128015
- ISBN-13: 9789863128014
-
相關分類:
人工智慧、Machine Learning、DeepLearning
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
$500$390 -
$580$458 -
$750$592 -
$599$473 -
$680$578 -
$800$624 -
$880$695 -
$880$695 -
$630$498 -
$560$442 -
$680$537 -
$820$648 -
$680$537 -
$680$537 -
$780$616 -
$800$632 -
$650$507 -
$850$672 -
$599$473 -
$780$616 -
$1,080$853 -
$680$537 -
$1,800$1,422 -
$650$507 -
$720$569
相關主題
商品描述
內容介紹:
▍專業推薦 (依姓名筆劃排列)
王道維|國立清華大學物理系教授 / 人文社會 AI 應用與發展研究中心副主任
林筱玫|台灣人工智慧協會執行長
劉育維|人工智慧解決方案專家暨網路作家
▍獨角獸新創公司 Preferred Networks 創辦人
▍2022 年日本「現代の名工」獲獎者
▍閱讀千篇論文的深厚學識精華
✧✦AI 神人親自講解深度學習的技術奧秘!✦✧
千變萬化的 AI 應用,核心都是「深度學習」。
掌握深度學習,才能迎接 AI 世代的新挑戰!
【基礎概念:深度學習的特色、與機器學習的不同】
認識機器學習的不同類型,詳細瞭解神經網路、特徵學習、反向傳播,如何使深度學習脫穎而出。
【發展進化:正規化層、跳躍連接、注意力單元】
深入解說這三項核心技術的數學原理,認識深度學習克服各種困難、大幅進化的歷程。
【實際應用:影像辨識、語音辨識、自然語言處理】
綜合以上基礎,說明深度學習從輸入到輸出完整執行實際任務的過程,以及各種基礎技術在不同應用領域所擔任的重要角色。
【技術回顧:AI 發展的坎坷與突破】
早在 1956 年提出的 AI,為何數十年間乏人問津?深度學習又是如何重燃 AI 的火種?回顧 AI 發展,更能洞察未來方向。
★特別收錄:精選基礎數學★
把學校的數學課忘光了也不用怕!附錄彙整深度學習的必要數學知識,有疑問隨時翻閱,回頭立刻跟上大師講解。
本書不含:
✗走馬看花的簡略介紹
✗只用大量文字描述數學概念
✗只挑知名的技術做單元介紹
本書注重:
✓各技術運作方式的詳盡解說與參考文獻
✓大量圖片表達技術要旨、實際數學式演示過程
✓各技術發展背景與傳承脈絡,描繪深度學習的改革史
✧✦探索 AI 奧祕絕不該錯過的精采好書!✦✧
本書特色:
◆難度由淺入深,從基礎數學開始紮穩根基
書中數學式從符號開始一一解說,各種計算及推導都仔細說明,書末更附上基礎數學補充,數學課忘光也不怕
◆核心關鍵技術一網打盡,完整掌握深度學習
學習模型 / 損失函數 / 梯度下降法 / 反向傳播 / 卷積層 / 循環層 / 閘控機制 / 激活函數 / 正規化 / 跳躍連接 / 注意力單元……核心技術全面涵蓋
◆插圖、文字、數學式,三管齊下詳盡講解
- 以圖示勾勒整體概念
- 以文字解構問題並說明思路
- 以數學式演示技術流程
3 方向完整拆解、充分理解,讀懂原理不必再囫圇吞棗
◆從背景到傳承,清楚描繪技術發展脈絡
偉大的技術,即是解決過去的問題,並提出未來的問題;本書清楚描繪核心技術環環相扣的進化史,更能展望 AI 未來的新發展
作者簡介
作者簡介:
岡野原大輔 (Daisuke Okanohara)
2010 年畢業於東京大學資訊理工學系計算機科學專攻博士課程(資訊理工學博士)。2006 年在學期間與友人共同創辦 Preferred Infrastructure,並於 2014 年創立 Preferred Networks。目前擔任 Preferred Networks 的代表取締役研究總裁(CER),以及 Preferred Computational Chemistry 的代表取締役社長。
目錄大綱
目錄:
第 1 章 深度學習與人工智慧
為何深度學習能夠成功
1.1 何謂深度學習?什麼是人工「智慧」?
1.2 深度學習迅速發展的背景
1.3 深度學習的計算資源
1.4 人工智慧的歷史
1.5 未來將如何應用深度學習?
1.6 本章小結
第 2 章 機器學習入門
何謂電腦的「學習」?
2.1 機器學習的背景知識
2.2 模型、參數與資料
2.3 普適能力 — 能否處理未知資料?
2.4 學習的方法 — 監督式學習、非監督式學習與強化式學習
2.5 問題設定的分類學
2.6 機器學習的基本 — 了解機器學習的各種概念
2.7 以機率模型理解機器學習
2.8 本章小結
第 3 章 深度學習的技術基礎
組合資料轉換的「層」實現特徵學習的效果
3.1 特徵學習 — 「標示特徵」的重要性及挑戰
3.2 深度學習的基礎知識
3.3 神經網路是什麼樣的模型?
3.4 神經網路的學習
3.5 反向傳播 — 有效率地計算梯度
3.6 神經網路的主要組成元素
3.7 本章小結
第 4 章 深度學習的發展
改善學習與預測的正規化層/跳躍連接/注意力單元
4.1 將「學習」由理論化為現實的基礎技術 — 類似ReLU的激活函數
4.2 正規化層
4.3 跳躍連接
4.4 注意力單元 — 根據輸入,動態改變資料傳遞方式
4.5 本章小結
第 5 章 深度學習的應用技術
大幅進化的影像辨識、語音辨識、自然語言處理
5.1 影像辨識
5.2 語音辨識
5.3 自然語言處理
5.4 本章小結
附錄 精選基礎
深度學習所需的數學概念
A.1 線性代數
A.2 微分
A.3 機率