Knock Knock! Deep Learning:新手入門深度學習的敲門磚(iT邦幫忙鐵人賽系列書)
廖珮妤
- 出版商: 博碩文化
- 出版日期: 2021-11-08
- 定價: $560
- 售價: 7.8 折 $437
- 語言: 繁體中文
- 頁數: 240
- 裝訂: 平裝
- ISBN: 986434918X
- ISBN-13: 9789864349180
-
相關分類:
DeepLearning
無法訂購
買這商品的人也買了...
-
$580$458 -
$500$390 -
$500$450 -
$550$429 -
$400$312 -
$454$427 -
$599$473 -
$1,000$790 -
$520$406 -
$2,660Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, Nlp, and Transformers Using Tensorflow (Paperback)
-
$620$490 -
$680$530 -
$600$468 -
$880$695 -
$880$695 -
$620$484 -
$599$473 -
$580$452 -
$880$695 -
$680$530 -
$680$537 -
$600$468 -
$620$465 -
$520$406 -
$780$616
相關主題
商品描述
- 【本書特色】
最貼近新手的深度學習理論及應用全方位入門書!
✪學習必備理論,打好基礎,新手不怕被過多的數學式嚇跑。
✪使用PyTorch直覺易懂且強大的深度學習框架,開始應用的第一步。
✪了解自然語言處理、電腦視覺與強化學習等三大領域經典應用與實作,領略深度學習的強大。
✪兼顧理論與實作,而非偏頗一方,培養讀者較全面的理解。
✪包含經典學術論文與知名專案技術講解,幫助讀者掌握此技術所能到達的高度。
✪每章末提供自我檢驗題目,幫助理解與統整各章概念。
【內容簡介】
本書內容改編自第12屆iT邦幫忙鐵人賽AI & Data組冠軍系列文章《Knock Knock!Deep Learning》,是專為深度學習初學者所規劃的內容,旨在以淺顯易懂的文字,帶領深度學習領域的新手度過入門撞牆期。內容從深度學習的基本理論開始,並以PyTorch框架的介紹過渡至應用篇,最後以自然語言處理、電腦視覺與強化學習等三大領域的經典論文與實作專案收尾,循序漸進且去蕪存菁。本書會帶入許多故事性的敘述和插圖,結合作者自身在史丹佛大學修讀碩士期間的學習心得,以及深度學習發展相關的故事,期使本書讀起來不會如教科書一樣厚重,亦不會像網路上的技術文章一般零散無脈絡,讓讀者對深度學習領域的發展有一定的概念。
【內容重點】
✪了解深度學習的基礎理論以及必備的實作知識與工具
內容從人類的神經網路開始,介紹深度學習與其相似之處,並理解神經網路的學習步驟,同時也介紹一些必備的實作知識與工具,以具備基本的實作工程技能。
✪入門深度學習框架PyTorch
內容介紹語法簡潔、好上手且在學術界流行的PyTorch框架,著重實作與應用。
✪深度學習×自然語言處理×電腦視覺×強化學習
內容會依序談到深度學習在三方面的應用,如自然語言處理(Natural Language Processing,NLP)、電腦視覺(Computer Vision,CV)、強化學習(Reinforcement Learning,RL)。除了基本簡介外,還會介紹一些基本實作和改變世界的技術成果。
【適用讀者】
✪對深度學習有興趣,但還不知道它是什麼、能做什麼的新手。
✪零散讀過深度學習相關文章,但仍有知識缺口的入門者。
✪被教科書中龐大的數學理論嚇到,而對深度學習卻步的讀者。
✪正在上學校的深度學習課程,但不知道實作從何開始的學生。
作者簡介
- 【作者簡介】
廖珮妤
現任美國Twitter軟體工程師。曾任史丹佛大學CS224n課程助教、PyLadies社群電子報作者、北一女資訊研習社學術長,樂於以各種方式分享技術。超級費迷,喜歡的歌手是張雨生。
2020年畢業後,決定將學生時期所學的深度學習知識與專案統整成「Knock Knock! Deep Learning」系列文,並於iT邦幫忙鐵人賽AI & Data組獲得冠軍。
【內文插畫繪者簡介】
張巧心
國立臺灣大學生物機電工程學系畢。作者的高中麻吉。興趣是隨手塗鴉,用畫筆記錄生活。
目錄大綱
- |Chapter 01| 導讀
1.1 什麼是深度學習?
1.2 會探討哪些技術?是否會不夠扎實?
1.3 需要哪些預備知識
1.4 深度學習的相關書籍這麼多,為什麼要看這本書?
|Chapter 02| 深度學習基礎理論
2.1 從人腦啟發的深度學習
2.2 什麼是訓練一個神經網路?
2.3 細解預測步驟:輸入、權重、激發
2.4 細解訓練步驟:損失、反向傳播、參數更新
2.5 自我檢驗
|Chapter 03| 深度學習必備實作知識與工具
3.1 Coding前你必須認識的工具
3.2 背考古題不算懂:訓練、測試、驗證集
3.3 幾分能力就做多少事:Overfitting、Underfitting、正則化
3.4 規格統一,做事更有效率:歸一化
3.5 參數初始化有套路
3.6 更優雅的進行優化
3.7 自我檢驗
3.8 參考文獻
|Chapter 04| PyTorch入門
4.1 深度學習框架之亂
4.2 PyTorch安裝
4.3 建立神經網路模型流程概述
4.4 基礎資料形式:Tensor
4.5 Tensor之間的連結網路:計算圖
4.6 PyTorch函數收納箱
4.7 PyTorch優化器
4.8 定義模型架構:Module
4.9 資料集處理
4.10 Hello Deep Learning! MNIST手寫數字辨識實作範例
4.11 自我檢驗
|Chapter 05| 自然語言處理
5.1 讓我著迷的Word2Vec
5.2 詞向量的使用與視覺化
5.3 語言與RNN
5.4 Hello RNN! 中文文本生成實作範例
5.5 打掉重練的勇氣:Google 翻譯與Seq2Seq
5.6 大躍進:注意力機制
5.7 注意力才是王道:Transformer
5.8 Hello Transformer! 二訪中文文本生成實作範例
5.9 再度大躍進:BERT
5.10 Hello BERT! 文字情緒分析實作範例
5.11 小結
5.12 自我檢驗
5.13 參考文獻
|Chapter 06| 電腦視覺
6.1 從ImageNet發起的資料大戰
6.2 圖像與CNN
6.3 文字也有結構,圖像也有序列
6.4 圖像描述生成實作範例
6.5 改變世界的GAN
6.6 字型風格轉換實作分享
6.7 小結
6.8 自我檢驗
6.9 參考文獻
|Chapter 07| 強化學習
7.1 決策與RL
7.2 用RL玩電動:Deep Atari
7.3 Hello RL! CartPole實作範例
7.4 用RL打撞球:DeepCueLearning實作分享
7.5 令世界驚艷的AlphaGo
7.6 小結
7.7 自我檢驗
7.8 參考文獻
|Chapter 08| 結語與解答
8.1 第二章解答
8.2 第三章解答
8.3 第四章解答
8.4 第五章解答
8.5 第六章解答
8.6 第七章解答