深度學習入門教室：6堂基礎課程+Python實作練習，Deep Learning、人工智慧、機器學習的理論和應用全圖解

――――超人氣暢銷書《演算法圖鑑》姊妹作，機器學習初學者最佳入門書！――――
 

人工智慧時代關鍵能力！深度學習深在哪裡？
強化運算思維，建構邏輯概念，一次弄懂深度學習活用之道！
 
★ 精闢剖析深度學習發展史，詳述機器學習的基礎知識！
★ 完整解說熱門程式語言第一名Python的環境建構和基本語法！
★ 圖像化示範TensorFlow和Keras的安裝，開發AI必學必讀！
★ 介紹類神經網路的基本思考方式和程式範例，逐步加深理解！
★ 說明使用卷積神經網路的影像辨識演算法，進一步強化學習！
★ 全面了解提升深度學習準確度的演算法，掌握應用的訣竅！
 
█ 迎接運算時代，紮實學好Deep Learning的要點！
 
本書以想試著開始使用時下流行的深度學習之讀者為對象，從理論到實踐進行了統整。書中詳細說明深度學習基礎理論的類神經網路，以及相關的必要數學知識，同時講解程式原始碼，以實際動手操作的方式來幫助理解。
 
坊間已經有眾多的機器學習與深度學習相關書籍，但類神經網路理論的學習門檻相當高、深度學習應用程式框架入門難度深、不容易掌握進一步應用的要領等等，常令初學者無法看清活用深度學習的探索之路。
 
本書首先介紹類神經網路的概念，緊接著說明如何使用應用程式框架進行深度學習，讓學習者初步感受這個領域。接下來介紹各種應用，大量運用範例來說明。在此之後，對於想進一步學習理論的讀者，介紹機器學習的學習方式；對於想挑戰進階深度學習應用的讀者，說明演算法等等。
 
█ 豐富圖解一目瞭然，「文字辨識」、「影像辨識」、「自然語言處理」實際演練！
 
本書的目標是幫助讀者了解什麼是深度學習、什麼是AI之後，能夠實際動手實作，期使讀者不致一知半解，不會只是執行範例卻不知接下來能做什麼，而能學會確實地判斷為了何種目的該使用何種應用程式框架，以及實際進行的步驟。
 
想挑戰AI開發的理工科學生、想更上一層樓的工程師、想了解深度學習基礎理論的人、使用TensorFlow和Keras嘗試實際安裝的人、想弄懂機器學習所需的數學的人，都能從本書平易的解說中學習到必要的知識。
 
【本書的架構】
 
▌第1章：論及深度學習以及其背景的機器學習相關話題，解析人工智慧（AI）的概念。
 
▌第2章：說明Python的環境建構與深度學習所需函式庫的安裝方法，包括在Windows與Mac兩種環境上的說明，解說必需的基礎Python文法。
 
▌第3章：藉由能以簡潔的敘述來使用多個函式庫的Keras實作深度學習，同時製作影像辨識的程式來體驗深度學習。進行導入Keras並公開發佈的熱門函式庫TensorFlow、數值運算函式庫與資料繪製函式庫等等的準備。
 
▌第4章：解說類神經網路的理論，同時實際試著使用名為MNIST的文字辨識範例程式來加深理解。
 
▌第5章：說明使用卷積神經網路的影像辨識演算法。
 
▌第6章：介紹提升深度學習準確度的演算法、自然語言處理等，用於影像辨識以外的範例程式。

谷岡広樹Hiroki Tanioka
1973年出生於日本德島縣。1997年畢業於千葉大學，2004年於信州大學工學系研究所修讀完成碩士課程。2008年於信州大學總合工學系研究所修讀完成博士課程。工學博士。1997年4月起歷任日本國內IT企業的軟體工程師、研究開發經理，2016年4月赴任德島大學資訊中心助理教授。對於資訊檢索、機器學習、自然語言處理等有深厚興趣，目前進行應用於交談系統、運動資料、醫療資訊、資訊檢索與機器學習等的研究開發。資訊處理學會（情報処理学会）、人工智慧學會（人工知能学会）、語言處理學會（言語処理学会）、IEEE（電機電子工程師學會）、ACM（電腦協會）會員。

 

康鑫Kang Xin
1983年出生於中國遼寧省。2006年畢業於中國東北大學，2009年於北京郵電大學信息工程研究所修讀完成碩士班。2013年於德島大學工學研究所修讀完成博士課程。工學博士。2014年4月赴任同濟大學電子與信息工程學院博士後研究員，2015年4月赴任德島大學國際合作教育中心助理教授，2015年12月起任職德島大學理工學研究所助理教授至今。對於自然語言處理、情感計算、強化學習相關、深層語言模型等有深厚興趣，目前進行能讓對話機器人獲得自我認識的智慧之研究。電子資訊通訊學會（電子情報通信学会）、IEEE（電機電子工程師學會）會員。

譯者：莊永裕

日本東京大學情報理工學博士。現任中央大學資工系助理教授。主要研究領域為程式語言設計、軟體工程，以及高效能運算。ACM、IEEE、IPSJ學會會員。曾任東京大學情報理工學系研究科助理教授，旅居日本多年。譯有數本程式語言與軟體開發相關之日文書籍。日常興趣為旅行、攝影、小說與音樂。

序言╱本書的目的╱本書的架構
 
【第1章 深度學習與機器學習】
 
Lesson 1-1│深度學習的基礎：深階層的類神經網路
 
Lesson 1-2│深度學習的歷史：從人工智慧的進化來看深度學習
 
Lesson 1-3│機器學習的基礎知識：監督式學習與非監督式學習╱強化學習╱規則庫、知識庫╱統計機器學習╱預處理與特徵提取╱批量學習與線上學習╱效能評估╱泛化能力
 
Lesson 1-4│機器學習所需的數學：數值與表示式╱變數與常數╱等式與代入式╱向量與上下標╱求和記號╱最小值、最大值╱絕對值╱距離與範數╱微分與偏微分╱合成函數的微分╱指數與對數
 
COLUMN 1│什麼是人工智慧？
 
【第2章 Python的準備與基本語法】
 
Lesson 2-1│Python的安裝～Windows篇～：安裝至Windows
 
Lesson 2-2│Python的安裝～Mac篇～：在Mac可直接使用Python 2系列╱Homebrew的安裝╱pyenv的安裝╱安裝Python 3系列
 
Lesson 2-3│函式庫的安裝～Windows篇～：Windows版Anaconda的安裝
 
Lesson 2-4│函式庫的安裝～Mac篇～：Mac版Anaconda的安裝
 
Lesson 2-5│Python的基本語法：Hello, Python!!╱變數╱常數╱資料型別╱運算╱List型別與Tuple型別╱Set型別╱Dict型別╱字串的連結與反覆╱字串格式╱Sequence運算╱函式╱if陳述╱反覆陳述╱模組的匯入
 
COLUMN 2│使用Java的實作
 
【第3章 深度學習的體驗】
 
Lesson 3-1│TensorFlow與Keras的安裝：Windows篇：安裝TensorFlow╱Windows篇：安裝Keras╱Mac篇：安裝TensorFlow╱Mac篇：安裝Keras
 
Lesson 3-2│使用Jupyter Notebook：Jupyter Notebook的準備╱Jupyter Notebook的使用方法╱POINT：於Mac執行時
 
Lesson 3-3│數值運算函式庫NumPy的使用方法：基本的使用方式
 
Lesson 3-4│資料繪製函式庫Matplotlib的使用方法：基本的使用方式
 
Lesson 3-5│以Keras體驗深度學習：從Kaggle下載影像╱製作影像辨識的程式
 
COLUMN 3│什麼是TensorFlow？
 
【第4章 類神經網路的基礎】
 
Lesson 4-1│神經元與感知器：神經元╱感知器
 
Lesson 4-2│激勵函數：各式各樣的激勵函數
 
Lesson 4-3│赫布理論與差量規則：權重的學習規則
 
Lesson 4-4│類神經網路的學習：區別狗與貓╱XOR問題╱多層感知器（類神經網路）╱OR問題╱AND問題╱NAND問題╱以類神經網路識別
 
Lesson 4-5│學習方法的差異與損失函數：類神經網路的學習方法╱從學習過程看損失函數╱關於損失函數
 
Lesson 4-6│梯度法：如何調整參數？╱類神經網路誤差的梯度求法
 
Lesson 4-7│反向傳播算法：什麼是反向傳播算法？╱鏈鎖律
 
Lesson 4-8│MNIST：Step 1. 以Jupyter Notebook新增檔案╱Step 2. 準備手繪影像資料╱Step 3. 製作模型╱Step 4. 類神經網路的學習
 
COLUMN 4│維度的詛咒與過適
 
【第5章 卷積神經網路】
 
Lesson 5-1│卷積神經網路的基礎：影像分類與視覺神經元╱讓1個神經元學習全部的輸入影像
 
Lesson 5-2│卷積運算：讓感受野滑動╱聚焦區域的移動
 
Lesson 5-3│卷積層：為了使其認識不同樣式╱POINT：Windows上務必安裝Graphviz
 
Lesson 5-4│深層卷積神經網路：使其能接受3維資料
 
Lesson 5-5│以補零卷積：收縮輸出的形狀╱輸入資料之周圍資訊的損失╱補零
 
Lesson 5-6│增廣範圍的卷積：什麼是步幅？╱使用補零
 
Lesson 5-7│卷積ReLU層：以非線性變換增進辨識
 
Lesson 5-8│池化層：以池化層處理╱池化層的優點與注意點
 
Lesson 5-9│全連結層：全連結層的處理╱修正全連結層╱想進行更複雜的判斷時
 
Lesson 5-10│深層卷積神經網路的學習：模型學習與訓練╱Step 1. 定義損失E╱Step 2. 初始化權重值w╱Step 3. 反覆修正權重值w
 
Lesson 5-11│過適與丟棄：過適的例子╱丟棄以防止過適╱丟棄的優點
 
Lesson 5-12│卷積的進一步詳細資訊：卷積層 vs. 全連結層╱深而小的區域感受野 vs. 淺而廣的感受野
 
COLUMN 5│使用GPU學習
 
【第6章 深度學習的應用】
 
Lesson 6-1│遞迴神經網路（RNN）：RNN的特徵
 
Lesson 6-2│LSTM類神經網路：LSTM的特徵
 
Lesson 6-3│門閘遞迴單元（GRU）：GRU的特徵╱能更有效率地記憶
 
Lesson 6-4│RNN語言模型：使其推測接下來將出現的單字
 
Lesson 6-5│Sequence-To-Sequence模型：Sequence-To-Sequence模型的特徵
 
Lesson 6-6│Attention：Attention的特徵
 
COLUMN 6│由上而下與由下而上
 
結語╱謝辭
參考文獻