|
|
數學忘光光，人工智慧原理看不懂？
→ 大量的【圖解說明】讓你秒懂運作原理
用相同資料集，訓練好的模型準確率比別人低很多？
→ 【舉一反三不死背】，教你用最適當的演算法調整模型
手上一堆資料，但要怎麼餵給神經網路？
→ 解說各種類型資料的【預處理手法】
本書秉持「先圖解、再實作，而後實務應用」的精神，帶你實際使用
Python 3 + TensorFlow + Keras，訓練自己的深度學習模型
深度學習是一種「實現機器學習的技術」，能夠利用如人類大腦功能般的「類神經網路」，處理如視覺、聽覺等感知問題，從學習中更新權重與偏向量進行學習，最後進行分類或預測。學會各種神經網路的類型後，教導讀者懂得調校神經網路和轉移學習目標，讓讀者能夠真正建構出屬於自己的神經網路模型。
書中的資料與範例中，將運用到：
■ MLP 多層感知器 - 進行糖尿病、鳶尾花的多元分類預測
■ MLP 多層感知器 - 進行房價的迴歸預測
■ CNN 卷積神經網路 - 進行彩色圖片的分類
■ LSTM 長短期記憶神經網路 - 進行股價預測
■ RNN 循環神經網路、LSTM、GRU 閘門循環單元神經網路 - 進行影評的情緒分析
還有手寫辨識預測、自編碼器 AE、主題分類等大量範例實作！
本書特色
◎ 人工智慧、機器學習、深度學習的基礎
◎ 從最基礎的神經網路建構
◎ 最具突破性的卷積神經網路實戰與應用
◎ 處理自然語言等具序列性資料的循環神經網路
◎ 建構並調整自己的神經網路模型
◎ 神經網路的模型視覺化、共享與輸出
第一篇 人工智慧與深度學習的基礎
第 1 章 認識人工智慧與機器學習
第 2 章 建構 TensorFlow 與 Keras 開發環境
第 3 章 深度學習的基礎
第二篇 多層感知器：迴歸與分類問題
第 4 章 圖解神經網路–多層感知器 (MLP)
第 5 章 打造你的神經網路 - 多層感知器
第 6 章 多層感知器的實作案例
第三篇 卷積神經網路：電腦視覺
第 7 章 圖解卷積神經網路 (CNN)
第 8 章 打造你的卷積神經網路
第 9 章 卷積神經網路的實作案例
第四篇 循環神經網路：自然語言處理
第 10 章 圖解 RNN、LSTM 和 GRU 神經網路
第 11 章 打造你的循環神經網路
第 12 章 循環神經網路的實作案例
第五篇 建構出你自己的深度學習模型
第 13 章 資料預處理與資料增強
第 14 章 調校你的深度學習模型
第 15 章 預訓練模型與轉移學習
第 16 章 Functional API 與模型視覺化
附錄 A Python 程式語言與開發環境建立
附錄 B TensorFlow GPU 版本的安裝與使用
