范例程序安装说明

程序相关的测试数据过大，请至这里下载

请解压至 src 目录下

第15章 強化學習 Gym 套件v.2.6 大改版，現有程式會出現錯誤，請安裝 v2.4.1版

請參閱 v21 to v26 Migration Guide

gym 不再更新，未來由 gymnasium 套件取代，請參閱 Gymnasium GitHub

TensorFlow 变更

model.predict_classes 在 TensorFlow v2.5 已被淘汰, 应改为

np.argmax(model.predict(x_test_norm), axis=-1)

深度学习 最佳入门迈向AI专题实战

第一篇 深度学习导论

1 深度学习(Deep Learning)导论

1.1 人工智能的三波浪潮

1.2 AI学习地图

1.3 机器学习应用领域

1.4 机器学习开发流程

1.5 开发环境安装

2 神经网络(Neural Network)原理

2.1 必备的数学与统计知识

2.2 线性代数(Linear Algebra)

2.3 微积分(Calculus)

2.4 机率(Probability)与统计(Statistics)

2.5 线性规划(Linear Programming)

2.6 最小平方法(OLS) vs. 最大概似法(MLE)

2.7 神经网络(Neural Network)求解

第二篇 TensorFlow基础篇

3 TensorFlow 架构与主要功能

3.1 常用的深度学习套件

3.2 TensorFlow 架构

3.3 张量(Tensor)运算

3.4 自动微分(Automatic Differentiation)

3.5 神经层(Neural Network Layer)

4 神经网络的理解与实作

4.1 撰写第一支神经网络程序

4.2 Keras模型种类

4.3 神经层(Layer)

4.4 激励函数(Activation Functions)

4.5 损失函数(Loss Functions)

4.6 优化器(Optimizers)

4.7 效能衡量指标(Metrics)

4.8 超参数调校(Hyperparameter Tuning)

5 TensorFlow其他常用指令

5.1 特征转换(One-hot encoding etc.)

5.2 模型存盘与加载(Save and Load)

5.3 模型汇总与结构图(Summary and Plotting)

5.4 回调函数(Callbacks)

5.5 工作记录与可视化(TensorBoard)

5.6 模型布署(Deploy) 与 TensorFlow Serving

5.7 TensorFlow Dataset

6 卷积神经网络(Convolutional Neural Network, CNN)

6.1 卷积神经网络简介

6.2 卷积(Convolution)

6.3 各式卷积

6.4 池化层(Pooling Layer)

6.5 CNN模型实作

6.6 影像数据增补(Data Augmentation)

6.7 可解释的AI(eXplainable AI, XAI)

7 预先训练的模型(Pre-trained Model)

7.1 预先训练模型的简介

7.2 采用完整的模型

7.3 采用部分的模型

7.4 转移学习(Transfer Learning)

7.5 Batch Normalization层

第三篇 进阶的影像应用

8 对象侦测(Object Detection)

8.1 图像辨识模型的发展

8.2 滑动窗口(Sliding Window)

8.3 方向梯度直方图(HOG）

8.4 R-CNN改良

8.5 YOLO算法简介

8.6 YOLO环境建置

8.7 以TensorFlow使用YOLO模型

8.8 YOLO模型训练

8.9 SSD算法

8.10 TensorFlow Object Detection API

8.11 总结

9 进阶的影像应用

9.1 语义分割(Semantic Segmentation)介绍

9.2 自动编码器(AutoEncoder)

9.3 语义分割(Semantic segmentation)实作

9.4 实例分割(Instance Segmentation)

9.5 风格转换(Style Transfer) --人人都可以是毕加索

9.6 脸部辨识(Facial Recognition)

9.7 光学文字辨识(OCR)

9.8 车牌辨识(ANPR)

9.9 卷积神经网络的缺点

10 生成对抗网络 (Generative Adversarial Network, GAN)

10.1 生成对抗网络介绍

10.2 生成对抗网络种类

10.3 DCGAN

10.4 Progressive GAN

10.5 Conditional GAN

10.6 Pix2Pix

10.7 CycleGAN

10.8 GAN挑战

10.9 深度伪造(Deepfake)

第四篇 自然语言处理

11 自然语言处理的介绍

11.1 词袋(BOW)与TF-IDF

11.2 词汇前置处理

11.3 词向量(Word2Vec)

11.4 GloVe模型

11.5 中文处理

11.6 spaCy套件

12 第 12 章 自然语言处理的算法

12.1 循环神经网络(RNN)

12.2 长短期记忆网络(LSTM)

12.3 LSTM重要参数与多层LSTM

12.4 Gate Recurrent Unit (GRU)

12.5 股价预测

12.6 注意力机制(Attention Mechanism)

12.7 Transformer架构

12.8 BERT

12.9 Transformers套件

12.10 总结

13 聊天机器人(ChatBot)

13.1 ChatBot类别

13.2 ChatBot设计

13.3 ChatBot实作

13.4 ChatBot工具套件

13.5 Dialogflow实作

13.6 结语

14 语音相关应用

14.1 语音基本认识

14.2 语音前置处理

14.3 语音相关的深度学习应用

14.4 自动语音识别

14.5 自动语音识别实作

14.6 结语

第五篇 强化学习 (Reinforcement learning)

15 强化学习 (Reinforcement learning)

15.1 强化学习的基础

15.2 强化学习模型

15.3 简单的强化学习架构

15.4 Gym套件

15.5 Gym扩充功能

15.6 动态规划(Dynamic Programming)

15.7 值循环(Value Iteration)

15.8 蒙地卡罗(Monte Carlo)

15.9 时序差分(Temporal Difference)

15.10 其他算法

15.11 井字游戏

15.12 木棒台车(CartPole)

15.13 结论