PDF JPG
本書有DRM加密保護,需使用HyRead閱讀軟體開啟
  • 圖解AI:機器學習和深度學習的技術與原理
  • 點閱:932
    109人已收藏
  • 譯自:機械学習&ディープラーニングのしくみと技術がこれ1冊でしっかりわかる教科書
  • 作者: 株式会社アイデミー, 山口達輝, 松田洋之作 , 衛宮紘譯
  • 出版社:碁峰資訊
  • 出版年:2021
  • ISBN:9789865025885
  • EISBN:9789865028510 PDF
  • 格式:PDF,JPG
  • 附註:含索引 2021年06月初版四刷

  收錄豐富的圖示與詳盡的解說,即便完全零知識也能夠輕鬆學習。
  機器學習與深度學習的原理與技術,單靠這一本 就能深入瞭解的教科書

  「人工智慧」、「機器學習」、「深度學習」這些以前在科幻小說中才會見到的字眼,如今已經深入我們的日常,成為大家平日琅琅上口的名詞。可是,真的想要深入一點了解這些名詞,一翻開相關書籍,看到滿滿的數學公式頭就暈了,難道沒有人能夠用大家都聽得懂的方式解釋這些科技名詞嗎?

  本書就是因應您心中的吶喊而生的一本書。這本書不會給你滿滿的數學式,而是藉由生活化的舉例、圖解進行說明,盡可能地表達人工智慧的正確知識。期望各位能夠透過本書,觸及機器學習的趣味與可能性,進而踏入機器學習的世界中。

  藉由本書,您將可以:
  .了解人工智慧、機器學習、深度學習三者之間的關係
  .機器學習的程序與核心技術
  .了解機器學習應用了哪些演算法
  .深度學習的程序與核心技術
  .了解深度學習應用了哪些演算法

作者簡介

山口 達輝

  Aidemy股份有限公司的工程師。在Aidemy Premium Plan中,指導學員基本的機器學習程式設計、機器學習的實作。大學專攻運輸的自動駕駛技術,但在其他學科課程上,偶然從講師的題外話感受到機器學習的可能性,遂轉而成為AI工程師。


  現在的興趣是人工智慧與腦科學的科技整合。「何謂人心?」這從國中時期就抱有的疑問再次點燃於胸中,開始大量閱讀認知科學的論文。

松田 洋之

  Aidemy股份有限公司的工程師,在Aidemy Premium Plan中,協助回答學員的問題、諮詢討論、Aidemy的教材修正。原為文科出身,因高中時期對三角函數的加法定理感到挫折,大學起初選擇文學系(經濟學),但途中轉而攻讀工學系,成為機器學習工程師。興趣是經濟學與資訊科學的融合領域,前者是討論財產分配的最佳化,後者是討論運算資源的最佳化,由這點認為兩者的差異並不大。另外,因感覺機器學習幾乎不會用不到積分,而確信即便是文科出身,只要正確學習也能夠開拓通往機器學習工程師的道路。
  • 1 章 人工智慧的基礎知識(第11頁)
    • 01 何謂人工智慧?(第12頁)
    • 02 何謂機器學習(ML)?(第16頁)
    • 03 何謂深度學習(DL)?(第20頁)
    • 04 人工智慧與機器學習的普及過程(第24頁)
  • 2 章 機器學習的基礎知識(第29頁)
    • 05 監督式學習的機制(第30頁)
    • 06 非監督式學習的機制(第34頁)
    • 07 增強學習的機制(第38頁)
    • 08 統計與機器學習的差異(第40頁)
    • 09 機器學習與特徵量(第44頁)
    • 10 擅長與不擅長的領域(第48頁)
    • 11 機器學習的運用範例(第52頁)
  • 3 章 機器學習的程序與核心技術(第57頁)
    • 12 機器學習的基本工作程序(第58頁)
    • 13 蒐集資料(第62頁)
    • 14 資料變形(第66頁)
    • 15 模型的作成與學習(第70頁)
    • 16 批次學習與線上學習(第74頁)
    • 17 使用測試資料驗證預測結果(第76頁)
    • 18 學習結果的評估基準(第80頁)
    • 19 超參數與模型的調整(第86頁)
    • 20 主動學習(第90頁)
    • 21 相關與因果(第94頁)
    • 22 反饋迴圈(第98頁)
  • 4 章 機器學習的演算法(第101頁)
    • 23 迴歸分析(第102頁)
    • 24 支援向量機(第108頁)
    • 25 決策樹(第112頁)
    • 26 整體學習(第116頁)
    • 27 整體學習的運用(第120頁)
    • 28 邏輯迴歸(第124頁)
    • 29 貝葉斯模型(第126頁)
    • 30 時序分析與狀態空間模型(第130頁)
    • 31 K 近鄰法(K-NN)與 K 平均法(K-Means)(第134頁)
    • 32 維度縮減與主成分分析(第138頁)
    • 33 最佳化與遺傳演算法(第142頁)
  • 5 章 深度學習的基礎知識(第147頁)
    • 34 類神經網路與其歷史(第148頁)
    • 35 深度學習與圖像辨識(第156頁)
    • 36 深度學習與自然語言處理(第160頁)
  • 6 章 深度學習的程序與核心技術(第165頁)
    • 37 誤差反向傳播法的類神經網路學習(第166頁)
    • 38 類神經網路的最佳化(第168頁)
    • 39 梯度消失問題(第172頁)
    • 40 遷移學習(第174頁)
  • 7 章 深度學習的演算法(第179頁)
    • 41 卷積類神經網路(CNN)(第180頁)
    • 42 遞歸類神經網路(RNN)(第184頁)
    • 43 增強學習與深度學習(第190頁)
    • 44 自動編碼器(第196頁)
    • 45 GAN(生成對抗網路)(第200頁)
    • 46 物體偵測(第204頁)
  • 8 章 系統開發與開發環境(第209頁)
    • 47 編寫人工智慧的主要程式語言(第210頁)
    • 48 機器學習用資料庫與框架(第214頁)
    • 49 深度學習的框架(第218頁)
    • 50 GPU 程式設計與高速化(第224頁)
    • 51 機器學習服務(第226頁)
  • 結語(第229頁)
  • 參考文獻(第230頁)
  • 索引(第236頁)
紙本書 NT$ 450
單本電子書
NT$ 450

還沒安裝 HyRead 3 嗎?馬上免費安裝~
QR Code