開發者傳授PyTorch秘笈 - 城邦阅读花园


	～ 2022 開發者唯一指定 PyTorch 祕笈！～深度學習【必備數學與統計原理】✕【圖表說明】✕【PyTorch 實際應用】　　★ 作者品質保證 ★ 　　經過眾多專家與學者試閱昭明老師著作皆給【5 顆星】滿分評價！　　～從基礎理解到 PyTorch 獨立開發，一氣呵成～　　本書專為 AI 開發者奠定扎實基礎，從數學統計 ► 自動微分 ► 梯度下降 ► 神經層，由淺入深介紹深度學習的原理，並透過大量 PyTorch 框架應用實作各種演算法：　　● CNN (卷積神經網路) 　　● YOLO (物件偵測) 　　● GAN (生成對抗網路) 　　● DeepFake (深度偽造) 　　● OCR (光學文字辨識) 　　● ANPR (車牌辨識) 　　● ASR (自動語音辨識) 　　● BERT / Transformer 　　● 臉部辨識　　● Knowledge Graph (知識圖譜) 　　● NLP (自然語言處理) 　　● ChatBot 　　● RL (強化學習) 　　● XAI (可解釋的 AI) 本書特色　　入門深度學習、實作各種演算法最佳教材！　　★以【統計／數學】為出發點，介紹深度學習必備的數理基礎　　★以【程式設計取代定理證明】，讓離開校園已久的在職者不會看到一堆數學符號就心生恐懼，縮短學習歷程，增進學習樂趣　　★摒棄長篇大論，輔以【大量圖表說明】介紹各種演算法　　★【完整的範例程式】及【各種演算法的延伸應用】！直接可在實際場域應用。　　★介紹日益普及的【演算法與相關套件】的使用　　★介紹 PyTorch 最新版本功能　　★與另一本姊妹作《深度學習–最佳入門邁向 AI 專題實戰》搭配，可同時學會 PyTorch 與 TensorFlow


	目錄第一篇／深度學習導論第 1 章深度學習 (Deep Learning) 導論 1-1人工智慧的三波浪潮 1-2 AI的學習地圖 1-3 TensorFlow vs. PyTorch 1-4機器學習開發流程 1-5開發環境安裝 1-6 免費雲端環境開通第 2 章神經網路 (Neural Network) 原理 2-1必備的數學與統計知識 2-2萬般皆自『迴歸』起 2-3神經網路第二篇／PyTorch 基礎篇第 3 章 PyTorch 學習路徑與主要功能 3-1 PyTorch學習路徑 3-2張量運算 3-3自動微分(Automatic Differentiation) 3-4 神經層(Neural Network Layer) 3-5 總結第 4 章神經網路實作 4-1撰寫第一支神經網路程式 4-2 模型種類 4-3 神經層(Layer) 4-4 激勵函數(Activation Functions) 4-5 損失函數(Loss Functions) 4-6 優化器(Optimizer) 4-7 效能衡量指標(Performance Metrics) 4-8 超參數調校(Hyperparameter Tuning) 第 5 章 PyTorch 進階功能 5-1 資料集(Dataset)及資料載入器(DataLoader) 5-2 TensorBoard 5-3 模型佈署(Deploy)與TorchServe 第 6 章卷積神經網路 (Convolutional Neural Network) 6-1卷積神經網路簡介 6-2卷積(Convolution) 6-3各式卷積 6-4池化層(Pooling Layer) 6-5 CNN模型實作 6-6 影像資料增補(Data Augmentation) 6-7 可解釋的AI(eXplainable AI, XAI) 第 7 章預先訓練的模型 (Pre-trained Model) 7-1 預先訓練模型的簡介 7-2 採用完整的模型 7-3 採用部分模型 7-4 轉移學習(Transfer Learning) 7-5 Batch Normalization說明第三篇／進階的影像應用第 8 章物件偵測 (Object Detection) 8-1 圖像辨識模型的發展 8-2 滑動視窗(Sliding Window) 8-3 方向梯度直方圖(HOG） 8-4 R-CNN物件偵測 8-5 R-CNN改良 8-6 YOLO演算法簡介 8-7 YOLO測試 8-8 YOLO環境建置 8-9 YOLO模型訓練 8-10 YOLOv5模型訓練 8-11 SSD演算法 8-12 物件偵測的效能衡量指標 8-13 總結第 9 章進階的影像應用 9-1 語義分割(Semantic Segmentation)介紹 9-2 自動編碼器(AutoEncoder) 9-3 語義分割(Semantic segmentation)實作 9-4 實例分割(Instance Segmentation) 9-5 風格轉換(Style Transfer) --人人都可以是畢卡索 9-6 臉部辨識(Facial Recognition) 9-7 光學文字辨識(OCR) 9-8 車牌辨識(ANPR) 9-9 卷積神經網路的缺點第 10 章生成對抗網路 (GAN) 10-1 生成對抗網路介紹 10-2 生成對抗網路種類 10-3 DCGAN 10-4 Progressive GAN 10-5 Conditional GAN 10-6 Pix2Pix 10-7 CycleGAN 10-8 GAN挑戰 10-9 深度偽造(Deepfake) 第四篇／自然語言處理第 11 章自然語言處理的介紹 11-1 詞袋(BOW)與TF-IDF 11-2 詞彙前置處理 11-3 詞向量(Word2Vec) 11-4 GloVe模型 11-5 中文處理 11-6 spaCy套件第 12 章自然語言處理的演算法 12-1 循環神經網路(RNN) 12-2 PyTorch 內建文本資料集 12-3 長短期記憶網路(LSTM) 12-4自訂資料集 12-5 時間序列預測 12-6 Gate Recurrent Unit (GRU) 12-7 股價預測 12-8 注意力機制(Attention Mechanism) 12-9 Transformer架構 12-10 BERT 12-11 Transformers套件 12-12 總結第 13 章聊天機器人 (ChatBot) 13-1 ChatBot類別 13-2 ChatBot設計 13-3 ChatBot實作 13-4 ChatBot工具套件 13-5 Dialogflow實作 13-6 結語第 14 章語音辨識 14-1語音基本認識 14-2語音前置處理 14-3 PyTorch語音前置處理 14-4 PyTorch內建語音資料集 14-5語音深度學習應用 14-6自動語音辨識(Automatic Speech Recognition) 14-7自動語音辨識實作 14-8 結語第五篇／強化學習 (Reinforcement Learning) 第 15 章強化學習 15-1 強化學習的基礎 15-2 強化學習模型 15-3 簡單的強化學習架構 15-4 Gym套件 15-5 Gym擴充功能 15-6 動態規劃(Dynamic Programming) 15-7 值循環(Value Iteration) 15-8 蒙地卡羅(Monte Carlo) 15-9 時序差分(Temporal Difference) 15-10 井字遊戲 15-11 連續型狀態變數與Deep Q-Learning演算法 15-12 Actor Critic演算法 15-13 實際應用案例 15-14 其他演算法 15-15 結論第六篇／圖神經網路 (GNN) 第 16 章圖神經網路 (GNN) 16-1 圖形理論(Graph Theory) 16-2 PyTorch Geometric(PyG) 16-3 圖神經網路(GNN) 16-4 結論