预购商品
书目分类
特别推荐
▍獨角獸新創公司 Preferred Networks 創辦人 ▍2022 年日本「現代名工」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 專業推薦 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 (依姓名筆劃排列)
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
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。
客服公告
热门活动
订阅电子报
