開發者傳授 PyTorch 秘笈

～ 2022 開發者唯一指定 PyTorch 祕笈！～
深度學習【必備數學與統計原理】✕【圖表說明】✕【 PyTorch 實際應用】

 

★作者品質保證★

● 多次登上天瓏 2021 年度資訊類繁體中文書 銷售排行榜
● 經過眾多專家與學者試閱昭明老師著作皆給予「5 顆星」滿分評價！

 

～ 入門深度學習、實作各種演算法最佳教材！ ～

★ 以【統計／數學】為出發點，介紹深度學習必備的數理基礎
★ 以【程式設計取代定理證明】，讓離開校園已久的在職者不會看到一堆數學符號就心生恐懼，縮短學習歷程，增進學習樂趣
★ 摒棄長篇大論，輔以【大量圖表說明】介紹各種演算法
★【完整的範例程式】及【各種演算法的延伸應用】！直接可在實際場域應用
★ 介紹日益普及的【演算法 + 相關套件】的使用
★ 介紹 PyTorch 最新版本功能
★ 與另一本姊妹作《深度學習–最佳入門邁向 AI 專題實戰》搭配，可同時學會 PyTorch 與 TensorFlow

 

從基礎理解到 PyTorch 獨立開發，一氣呵成！

本書專為 AI 開發者奠定扎實基礎，從數學統計 ▶️ 自動微分 ▶️ 梯度下降 ▶️ 神經層，由淺入深介紹深度學習的原理，並透過大量 PyTorch 框架應用實作各種演算法：

● CNN (卷積神經網路)
● YOLO (物件偵測)
● GAN (生成對抗網路)
● DeepFake (深度偽造)
● OCR (光學文字辨識)
● ANPR (車牌辨識)
● ASR (自動語音辨識)
● BERT / Transformer
● 臉部辨識
● Knowledge Graph (知識圖譜)
● NLP (自然語言處理)
● ChatBot
● RL (強化學習)
● XAI (可解釋的 AI)

陳昭明

●曾任職於 IBM、工研院等全球知名企業

●IT 邦幫忙 2018 年 AI 組【冠軍】

●多年 AI 課程講授經驗

第一篇／深度學習導論

第 1 章 深度學習 (Deep Learning) 導論

1-1人工智慧的三波浪潮

1-2 AI的學習地圖

1-3 TensorFlow vs. PyTorch

1-4機器學習開發流程

1-5開發環境安裝

1-6 免費雲端環境開通

 

第 2 章 神經網路 (Neural Network) 原理

2-1必備的數學與統計知識

2-2萬般皆自『迴歸』起

2-3神經網路

 

第二篇／PyTorch 基礎篇

第 3 章 PyTorch 學習路徑與主要功能

3-1 PyTorch學習路徑

3-2張量運算

3-3自動微分(Automatic Differentiation)

3-4 神經層(Neural Network Layer)

3-5 總結

 

第 4 章 神經網路實作

4-1撰寫第一支神經網路程式

4-2 模型種類

4-3 神經層(Layer)

4-4 激勵函數(Activation Functions)

4-5 損失函數(Loss Functions)

4-6 優化器(Optimizer)

4-7 效能衡量指標(Performance Metrics)

4-8 超參數調校(Hyperparameter Tuning)

 

第 5 章 PyTorch 進階功能

5-1 資料集(Dataset)及資料載入器(DataLoader)

5-2 TensorBoard

5-3 模型佈署(Deploy)與TorchServe

 

第 6 章 卷積神經網路 (Convolutional Neural Network)

6-1卷積神經網路簡介

6-2卷積(Convolution)

6-3各式卷積

6-4池化層(Pooling Layer)

6-5 CNN模型實作

6-6 影像資料增補(Data Augmentation)

6-7 可解釋的AI(eXplainable AI, XAI)

 

第 7 章 預先訓練的模型 (Pre-trained Model)

7-1 預先訓練模型的簡介

7-2 採用完整的模型

7-3 採用部分模型

7-4 轉移學習(Transfer Learning)

7-5 Batch Normalization說明

 

第三篇／進階的影像應用

第 8 章 物件偵測 (Object Detection)

8-1 圖像辨識模型的發展

8-2 滑動視窗(Sliding Window)

8-3 方向梯度直方圖(HOG）

8-4 R-CNN物件偵測

8-5 R-CNN改良

8-6 YOLO演算法簡介

8-7 YOLO測試

8-8 YOLO環境建置

8-9 YOLO模型訓練

8-10 YOLOv5模型訓練

8-11 SSD演算法

8-12 物件偵測的效能衡量指標

8-13 總結

 

第 9 章 進階的影像應用

9-1 語義分割(Semantic Segmentation)介紹

9-2 自動編碼器(AutoEncoder)

9-3 語義分割(Semantic segmentation)實作

9-4 實例分割(Instance Segmentation)

9-5 風格轉換(Style Transfer) --人人都可以是畢卡索

9-6 臉部辨識(Facial Recognition)

9-7 光學文字辨識(OCR)

9-8 車牌辨識(ANPR)

9-9 卷積神經網路的缺點

 

第 10 章 生成對抗網路 (GAN)

10-1 生成對抗網路介紹

10-2 生成對抗網路種類

10-3 DCGAN

10-4 Progressive GAN

10-5 Conditional GAN

10-6 Pix2Pix

10-7 CycleGAN

10-8 GAN挑戰

10-9 深度偽造(Deepfake)

 

第四篇／自然語言處理

第 11 章 自然語言處理的介紹

11-1 詞袋(BOW)與TF-IDF

11-2 詞彙前置處理

11-3 詞向量(Word2Vec)

11-4 GloVe模型

11-5 中文處理

11-6 spaCy套件

 

第 12 章 自然語言處理的演算法

12-1 循環神經網路(RNN)

12-2 PyTorch 內建文本資料集

12-3 長短期記憶網路(LSTM)

12-4自訂資料集

12-5 時間序列預測

12-6 Gate Recurrent Unit (GRU)

12-7 股價預測

12-8 注意力機制(Attention Mechanism)

12-9 Transformer架構

12-10 BERT

12-11 Transformers套件

12-12 總結

 

第 13 章 聊天機器人 (ChatBot)

13-1 ChatBot類別

13-2 ChatBot設計

13-3 ChatBot實作

13-4 ChatBot工具套件

13-5 Dialogflow實作

13-6 結語

 

第 14 章 語音辨識

14-1語音基本認識

14-2語音前置處理

14-3 PyTorch語音前置處理

14-4 PyTorch內建語音資料集

14-5語音深度學習應用

14-6自動語音辨識(Automatic Speech Recognition)

14-7自動語音辨識實作

14-8 結語

 

第五篇／強化學習 (Reinforcement Learning)

第 15 章 強化學習

15-1 強化學習的基礎

15-2 強化學習模型

15-3 簡單的強化學習架構

15-4 Gym套件

15-5 Gym擴充功能

15-6 動態規劃(Dynamic Programming)

15-7 值循環(Value Iteration)

15-8 蒙地卡羅(Monte Carlo)

15-9 時序差分(Temporal Difference)

15-10 井字遊戲

15-11 連續型狀態變數與Deep Q-Learning演算法

15-12 Actor Critic演算法

15-13 實際應用案例

15-14 其他演算法

15-15 結論

 

第六篇／圖神經網路 (GNN)

第 16 章 圖神經網路 (GNN)

16-1 圖形理論(Graph Theory)

16-2 PyTorch Geometric(PyG)

16-3 圖神經網路(GNN)

16-4 結論