人工智慧與深度學習--理論與Python實踐

chapter 01 深度學習的預先知識
1-1 線性代數 (Linear Algebra)
1-2 微積分 (Calculus)
1-3 最佳化理論
1-4 統計學
1-5 Python 程式語言介紹

chapter 02 前饋式神經網路
2-1 感知機
2-2 多層感知機
2-3 深度前饋式神經網路
2-4 深度神經網路的梯度下降方式
2-5 過適化問題 (Overfitting Problem)
2-6 程式範例

chapter 03 卷積神經網路
3-1 卷積神經網路架構
3-2 倒傳遞法進行參數更新
3-3 數值範例
3-4 殘差網路
3-5 程式範例

chapter 04 遞迴式神經網路
4-1 遞迴式神經網路
4-2 序列學習 (Sequential Learning)
4-3 Elman 神經網路理論模型
4-4 長短期記憶 (Long Short-Term Memory, LSTM) 模型
4-5 Peephole 長短期記憶 (Peephole LSTM) 模型
4-6 GRU (Gated Recurrent Unit) 模型
4-7 雙向 LSTM (Bidirectional LSTM)
4-8 程式範例

chapter 05 侷限型波茲曼模型、深度信念網路及自編碼器
5-1 侷限型波茲曼模型 (Restricted Boltzmann Machines, RBM)
5-2 深度信念網路 (Deep Belief Networks, DBN)
5-3 自編碼器 (Autoencoders)
5-4 程式範例

chapter 06 其他網路模型
6-1 自迴歸模型 (Autoregressive Models)
6-2 自生成模型 (Generative Models)
6-3 神經圖靈機
6-4 注意力模型 (Attention-based Models)
6-5 程式範例

chapter 07 強化學習
7-1 馬可夫決策過程
7-2 Bellman 方程式
7-3 深度 Q- 網路 (Deep Q-Network, DQN)
7-4 政策梯度 (Policy gradients)
7-5 Advantage Actor-Critic (A2C) Methods
7-6 程式範例

黃日鉦

　　東吳大學資訊管理學系教授，任教科目包括人工智慧，深度學習，巨量資料分析，多變量分析及社群網路分析。相關研究共計超過60篇期刊論文及會議論文。