前言



01人工智慧緒論

1.1 人工智慧簡介

1.2 神經網路發展簡史

1.3 深度學習特點

1.4 深度學習應用

1.5 深度學習架構

1.6 開發環境安裝



02 回歸問題

2.1 神經元模型

2.2 最佳化方法

2.3 線性模型實戰

2.4 線性回歸



03 分類問題

3.1 手寫數字圖片資料集

3.2 模型建構

3.3 誤差計算

3.4 真的解決了嗎

3.5 非線性模型

3.6 表達能力

3.7 最佳化方法

3.8 手寫數字圖片識別體驗



04 TensorFlow 基礎

4.1 資料型態

4.2 數值精度

4.3 待最佳化張量

4.4 建立張量

4.5 張量的典型應用

4.6 索引與切片

4.7 維度轉換

4.8 Broadcasting

4.9 數學運算

4.10 正向傳播實戰



05 TensorFlow 進階

5.1 合併與分割

5.2 資料統計

5.3 張量比較

5.4 填充與複製

5.5 資料限幅

5.6 進階操作

5.7 經典資料集載入

5.8 MNIST 測試實戰



06 神經網路

6.1 感知機

6.2 全連接層

6.3 神經網路

6.4 啟動函數

6.5 輸出層設計

6.6 誤差計算

6.7 神經網路型態

6.8 汽車油耗預測實戰



07 反向傳播演算法

7.1 導數與梯度

7.2 導數常見性質

7.3 啟動函數導數

7.4 損失函數梯度

7.5 全連接層梯度

7.6 鏈式法則

7.7 反向傳播演算法

7.8 Himmelblau 函數最佳化實戰

7.9 反向傳播演算法實戰



08 Keras 高層介面

8.1 常見功能模組

8.2 模型裝配、訓練與測試

8.3 模型儲存與載入

8.4 自訂網路簡介

8.5 模型樂園

8.6 測量工具

8.7 視覺化



09 過擬合

9.1 模型的容量

9.2 欠擬合與過擬合

9.3 資料集劃分

9.4 模型設計

9.5 正規化

9.7 資料增強

9.8 過擬合問題實戰



10 卷積神經網路

10.1 全連接網路的問題

10.2 卷積神經網路

10.3 卷積層實現

10.4 LeNet 5 實戰

10.5 表示學習

10.6 梯度傳播

10.7 池化層

10.8 BatchNorm 層

10.9 經典卷積網路

10.10 CIFAR10 與VGG13 實戰

10.11 卷積層變種

10.12 深度殘差網路

10.13 DenseNet

10.14 CIFAR10 與ResNet18實戰



11 循環神經網路

11.1 序列表示方法

11.2 循環神經網路

11.3 梯度傳播

11.4 RNN 層使用方法

11.5 RNN 情感分類問題實戰

11.6 梯度彌散和梯度爆炸

11.7 RNN 短時記憶

11.8 LSTM 原理

11.9 LSTM 層使用方法

11.10 GRU 簡介

11.11 LSTM/GRU 情感分類問題再戰

11.12 預訓練的詞向量



12 自編碼器

12.1 自編碼器原理

12.2 FashionMNIST 圖片重建實戰

12.3 自編碼器變種

12.4 變分自編碼器

12.5 VAE 圖片生成實戰



13 生成對抗網路

13.1 博弈學習實例

13.2 GAN 原理

13.3 DCGAN 實戰

13.4 GAN 變種

13.5 納許均衡

13.6 GAN 訓練難題

13.7 WGAN 原理

13.8 WGAN GP 實戰



14 強化學習

14.1 先睹為快

14.2 強化學習問題

14.3 策略梯度方法

14.4 值函數方法

14.5 Actor Critic 方法



15 自訂資料集

15.1 精靈寶可夢資料集

15.2 自訂資料集載入

15.3 寶可夢資料集實戰

15.4 遷移學習

前言

01人工智慧緒論
1.1 人工智慧簡介
1.2 神經網路發展簡史
1.3 深度學習特點
1.4 深度學習應用
1.5 深度學習架構
1.6 開發環境安裝

02 回歸問題
2.1 神經元模型
2.2 最佳化方法
2.3 線性模型實戰
2.4 線性回歸

03 分類問題
3.1 手寫數字圖片資料集
3.2 模型建構
3.3 誤差計算
3.4 真的解決了嗎
3.5 非線性模型
3.6 表達能力
3.7 最佳化方法
3.8 手寫數字圖片識別體驗

04 TensorFlow 基礎
4.1 資料型態
4.2 數值精度
4.3 待最佳化張量
4.4 建立張量
4.5 張量的典型應用
4.6 索引與切片
4.7 維度轉換
4.8 Broadcasting
4.9 數學運算
4.10 正向傳播實戰

05 TensorFlow 進階
5.1 合併與分割
5.2 資料統計
5.3 張量比較
5.4 填充與複製
5.5 資料限幅
5.6 進階操作
5.7 經典資料集載入
5.8 MNIST 測試實戰

06 神經網路
6.1 感知機
6.2 全連接層
6.3 神經網路
6.4 啟動函數
6.5 輸出層設計
6.6 誤差計算
6.7 神經網路型態
6.8 汽車油耗預測實戰

07 反向傳播演算法
7.1 導數與梯度
7.2 導數常見性質
7.3 啟動函數導數
7.4 損失函數梯度
7.5 全連接層梯度
7.6 鏈式法則
7.7 反向傳播演算法
7.8 Himmelblau 函數最佳化實戰
7.9 反向傳播演算法實戰

08 Keras 高層介面
8.1 常見功能模組
8.2 模型裝配、訓練與測試
8.3 模型儲存與載入
8.4 自訂網路簡介
8.5 模型樂園
8.6 測量工具
8.7 視覺化

09 過擬合
9.1 模型的容量
9.2 欠擬合與過擬合
9.3 資料集劃分
9.4 模型設計
9.5 正規化
9.7 資料增強
9.8 過擬合問題實戰

10 卷積神經網路
10.1 全連接網路的問題
10.2 卷積神經網路
10.3 卷積層實現
10.4 LeNet 5 實戰
10.5 表示學習
10.6 梯度傳播
10.7 池化層
10.8 BatchNorm 層
10.9 經典卷積網路
10.10 CIFAR10 與VGG13 實戰
10.11 卷積層變種
10.12 深度殘差網路
10.13 DenseNet
10.14 CIFAR10 與ResNet18實戰

11 循環神經網路
11.1 序列表示方法
11.2 循環神經網路
11.3 梯度傳播
11.4 RNN 層使用方法
11.5 RNN 情感分類問題實戰
11.6 梯度彌散和梯度爆炸
11.7 RNN 短時記憶
11.8 LSTM 原理
11.9 LSTM 層使用方法
11.10 GRU 簡介
11.11 LSTM/GRU 情感分類問題再戰
11.12 預訓練的詞向量

12 自編碼器
12.1 自編碼器原理
12.2 FashionMNIST 圖片重建實戰
12.3 自編碼器變種
12.4 變分自編碼器
12.5 VAE 圖片生成實戰

13 生成對抗網路
13.1 博弈學習實例
13.2 GAN 原理
13.3 DCGAN 實戰
13.4 GAN 變種
13.5 納許均衡
13.6 GAN 訓練難題
13.7 WGAN 原理
13.8 WGAN GP 實戰

14 強化學習
14.1 先睹為快
14.2 強化學習問題
14.3 策略梯度方法
14.4 值函數方法
14.5 Actor Critic 方法

15 自訂資料集
15.1 精靈寶可夢資料集
15.2 自訂資料集載入
15.3 寶可夢資料集實戰
15.4 遷移學習

前言



01人工智慧緒論

1.1 人工智慧簡介

1.2 神經網路發展簡史

1.3 深度學習特點

1.4 深度學習應用

1.5 深度學習架構

1.6 開發環境安裝



02 回歸問題

2.1 神經元模型

2.2 最佳化方法

2.3 線性模型實戰

2.4 線性回歸



03 分類問題

3.1 手寫數字圖片資料集

3.2 模型建構

3.3 誤差計算

3.4 真的解決了嗎

3.5 非線性模型

3.6 表達能力

3.7 最佳化方法

3.8 手寫數字圖片識別體驗



04 TensorFlow 基礎

4.1 資料型態

4.2 數值精度

4.3 待最佳化張量

4.4 建立張量

4.5 張量的典型應用

4.6 索引與切片

4.7 維度轉換

4.8 Broadcasting

4.9 數學運算

4.10 正向傳播實戰



05 TensorFlow 進階

5.1 合併與分割

5.2 資料統計

5.3 張量比較

5.4 填充與複製

5.5 資料限幅

5.6 進階操作

5.7 經典資料集載入

5.8 MNIST 測試實戰



06 神經網路

6.1 感知機

6.2 全連接層

6.3 神經網路

6.4 啟動函數

6.5 輸出層設計

6.6 誤差計算

6.7 神經網路型態

6.8 汽車油耗預測實戰



07 反向傳播演算法

7.1 導數與梯度

7.2 導數常見性質

7.3 啟動函數導數

7.4 損失函數梯度

7.5 全連接層梯度

7.6 鏈式法則

7.7 反向傳播演算法

7.8 Himmelblau 函數最佳化實戰

7.9 反向傳播演算法實戰



08 Keras 高層介面

8.1 常見功能模組

8.2 模型裝配、訓練與測試

8.3 模型儲存與載入

8.4 自訂網路簡介

8.5 模型樂園

8.6 測量工具

8.7 視覺化



09 過擬合

9.1 模型的容量

9.2 欠擬合與過擬合

9.3 資料集劃分

9.4 模型設計

9.5 正規化

9.7 資料增強

9.8 過擬合問題實戰



10 卷積神經網路

10.1 全連接網路的問題

10.2 卷積神經網路

10.3 卷積層實現

10.4 LeNet 5 實戰

10.5 表示學習

10.6 梯度傳播

10.7 池化層

10.8 BatchNorm 層

10.9 經典卷積網路

10.10 CIFAR10 與VGG13 實戰

10.11 卷積層變種

10.12 深度殘差網路

10.13 DenseNet

10.14 CIFAR10 與ResNet18實戰



11 循環神經網路

11.1 序列表示方法

11.2 循環神經網路

11.3 梯度傳播

11.4 RNN 層使用方法

11.5 RNN 情感分類問題實戰

11.6 梯度彌散和梯度爆炸

11.7 RNN 短時記憶

11.8 LSTM 原理

11.9 LSTM 層使用方法

11.10 GRU 簡介

11.11 LSTM/GRU 情感分類問題再戰

11.12 預訓練的詞向量



12 自編碼器

12.1 自編碼器原理

12.2 FashionMNIST 圖片重建實戰

12.3 自編碼器變種

12.4 變分自編碼器

12.5 VAE 圖片生成實戰



13 生成對抗網路

13.1 博弈學習實例

13.2 GAN 原理

13.3 DCGAN 實戰

13.4 GAN 變種

13.5 納許均衡

13.6 GAN 訓練難題

13.7 WGAN 原理

13.8 WGAN GP 實戰



14 強化學習

14.1 先睹為快

14.2 強化學習問題

14.3 策略梯度方法

14.4 值函數方法

14.5 Actor Critic 方法



15 自訂資料集

15.1 精靈寶可夢資料集

15.2 自訂資料集載入

15.3 寶可夢資料集實戰

15.4 遷移學習