第1章

什麼是AI

01   AI的定義──12

02   AI擅長與不擅長的領域──14

03   AI的發展歷程──18

04   什麼是機器學習──22

05   什麼是深度學習──26

06   機器學習與深度學習的差異──30

第2章

AI的基礎知識

07   機器學習與統計學──36

08   相關性與因果關係──40

09   機器學習與資料探勘──44

10   什麼是監督式學習──48

11   什麼是非監督式學習──52

12   什麼是強化學習──56

13   AI與大數據──60

14   從資料種類看AI的特徵──64

15   AI系統的開發流──68

第3章

自然語言處理的方法和模型

16   什麼是自然語言處理（NLP）──74

17   NLP的模糊性與困難──80

18   NLP的預處理──84

19   語言模型與分散式表徵──90

20   標注語料庫與雙語語料庫──98

21   遞歸神經網路（RNN）──104

22   Transformer──110

23   BERT──116

24   GPT-3──122

第4章

以GAN為基礎的生成模型

25   進軍創作領域的AI──130

26   以生成模型為基礎的演算法──132

27   用GAN生成圖像──138

28   敵對攻擊與防禦──144

29   GAN的未來發展──148

第5章

圖像辨識的方法和模型

30   圖像辨識的任務──156

31   卷積神經網路（CNN）──160

32   引爆圖像辨識發展的CNN──164

33   CNN的精度與大小平衡──168

34   訓練的技巧1──172

35   訓練的技巧2──176

36   深度學習的可解釋性──180

37   圖像辨識的評價指標──184

38   精度的評價指標與通用性能──188

第6章

列表資料的機器學習演算法

39   列表資料的預處理──194

40   監督式學習1：線性迴歸模型──196

41   監督式學習2：決策樹──200

42   監督式學習3：隨機森林──204

43   監督式學習4：XGBoost──208

44   監督式學習5：邏輯迴歸模型──212

45   監督式學習6：神經網路──216

46   監督式學習7：k-NN（k-Nearest Neighbor）──220

47   非監督式學習1［分群］：k-means法──222

48   非監督式學習2［分群］：階層式分群──226

49   非監督式學習3［分群］：譜分群──228

50   非監督式學習4［降維］：PCA（主成分分析）──232

51   非監督式學習5［降維］：UMAP──236

52   非監督式學習6［降維］：矩陣分解──240

53   非監督式學習7［降維］：自編碼機──244

結語──248

索引──249

作者介紹──254

第1章

什麼是AI

01   AI的定義──12

02   AI擅長與不擅長的領域──14

03   AI的發展歷程──18

04   什麼是機器學習──22

05   什麼是深度學習──26

06   機器學習與深度學習的差異──30

第2章

AI的基礎知識

07   機器學習與統計學──36

08   相關性與因果關係──40

09   機器學習與資料探勘──44

10   什麼是監督式學習──48

11   什麼是非監督式學習──52

12   什麼是強化學習──56

13   AI與大數據──60

14   從資料種類看AI的特徵──64

15   AI系統的開發流──68

第3章

自然語言處理的方法和模型

16   什麼是自然語言處理（NLP）──74

17   NLP的模糊性與困難──80

18   NLP的預處理──84

19   語言模型與分散式表徵──90

20   標注語料庫與雙語語料庫──98

21   遞歸神經網路（RNN）──104

22   Transformer──110

23   BERT──116

24   GPT-3──122

第4章

以GAN為基礎的生成模型

25   進軍創作領域的AI──130

26   以生成模型為基礎的演算法──132

27   用GAN生成圖像──138

28   敵對攻擊與防禦──144

29   GAN的未來發展──148

第5章

圖像辨識的方法和模型

30   圖像辨識的任務──156

31   卷積神經網路（CNN）──160

32   引爆圖像辨識發展的CNN──164

33   CNN的精度與大小平衡──168

34   訓練的技巧1──172

35   訓練的技巧2──176

36   深度學習的可解釋性──180

37   圖像辨識的評價指標──184

38   精度的評價指標與通用性能──188

第6章

列表資料的機器學習演算法

39   列表資料的預處理──194

40   監督式學習1：線性迴歸模型──196

41   監督式學習2：決策樹──200

42   監督式學習3：隨機森林──204

43   監督式學習4：XGBoost──208

44   監督式學習5：邏輯迴歸模型──212

45   監督式學習6：神經網路──216

46   監督式學習7：k-NN（k-Nearest Neighbor）──220

47   非監督式學習1［分群］：k-means法──222

48   非監督式學習2［分群］：階層式分群──226

49   非監督式學習3［分群］：譜分群──228

50   非監督式學習4［降維］：PCA（主成分分析）──232

51   非監督式學習5［降維］：UMAP──236

52   非監督式學習6［降維］：矩陣分解──240

53   非監督式學習7［降維］：自編碼機──244

結語──248

索引──249

作者介紹──254

第1章

什麼是AI

01   AI的定義──12

02   AI擅長與不擅長的領域──14

03   AI的發展歷程──18

04   什麼是機器學習──22

05   什麼是深度學習──26

06   機器學習與深度學習的差異──30

第2章

AI的基礎知識

07   機器學習與統計學──36

08   相關性與因果關係──40

09   機器學習與資料探勘──44

10   什麼是監督式學習──48

11   什麼是非監督式學習──52

12   什麼是強化學習──56

13   AI與大數據──60

14   從資料種類看AI的特徵──64

15   AI系統的開發流──68

第3章

自然語言處理的方法和模型

16   什麼是自然語言處理（NLP）──74

17   NLP的模糊性與困難──80

18   NLP的預處理──84

19   語言模型與分散式表徵──90

20   標注語料庫與雙語語料庫──98

21   遞歸神經網路（RNN）──104

22   Transformer──110

23   BERT──116

24   GPT-3──122

第4章

以GAN為基礎的生成模型

25   進軍創作領域的AI──130

26   以生成模型為基礎的演算法──132

27   用GAN生成圖像──138

28   敵對攻擊與防禦──144

29   GAN的未來發展──148

第5章

圖像辨識的方法和模型

30   圖像辨識的任務──156

31   卷積神經網路（CNN）──160

32   引爆圖像辨識發展的CNN──164

33   CNN的精度與大小平衡──168

34   訓練的技巧1──172

35   訓練的技巧2──176

36   深度學習的可解釋性──180

37   圖像辨識的評價指標──184

38   精度的評價指標與通用性能──188

第6章

列表資料的機器學習演算法

39   列表資料的預處理──194

40   監督式學習1：線性迴歸模型──196

41   監督式學習2：決策樹──200

42   監督式學習3：隨機森林──204

43   監督式學習4：XGBoost──208

44   監督式學習5：邏輯迴歸模型──212

45   監督式學習6：神經網路──216

46   監督式學習7：k-NN（k-Nearest Neighbor）──220

47   非監督式學習1［分群］：k-means法──222

48   非監督式學習2［分群］：階層式分群──226

49   非監督式學習3［分群］：譜分群──228

50   非監督式學習4［降維］：PCA（主成分分析）──232

51   非監督式學習5［降維］：UMAP──236

52   非監督式學習6［降維］：矩陣分解──240

53   非監督式學習7［降維］：自編碼機──244

結語──248

索引──249

作者介紹──254