深度學習最佳入門與專題實戰：自然語言處理、大型語言模型與強化學習篇
陳昭明 著
- 出版商: 深智 天瓏日｜滿千折百
- 出版日期: 2025-05-19
- 定價: $880
- 售價: 7.9 折 $695
- 語言: 繁體中文
- 頁數: 416
- ISBN: 6267569861
- ISBN-13: 9786267569863
-
相關分類:
Reinforcement、化學 Chemistry、DeepLearning、Text-mining
尚未上市，歡迎預購
買這商品的人也買了...
-
$454Linux Shell 核心編程指南 -
AI 影像深度學習啟蒙 : 用 Python 進行人臉口罩識別$880$695 -
$568ARM64 體系結構編程與實踐 -
$505UNIX xv6 內核源碼深入剖析 -
邁向 Linux 工程師之路：Superuser 一定要懂的技術與運用, 3/e (How Linux Works : What Every Superuser Should Know, 3/e)$780$608 -
LangChain 開發手冊 -- OpenAI × LCEL 表達式 × Agent 自動化流程 × RAG 擴展模型知識 × 圖形資料庫 × LangSmith 除錯工具$680$537 -
深度學習最佳入門與專題實戰：理論基礎與影像篇$980$774
相關主題
商品描述
★☆★深度學習暢銷好書2025全新改版★☆★
本書專為想掌握深度學習核心概念卻不希望陷入繁瑣數學推導的讀者而設計，以「以程式設計取代定理證明」為宗旨，透過實作引導理解，縮短學習曲線，提升學習趣味與成就感。
內容著重於演算法的觀念理解，輔以大量圖解說明，捨棄冗長的理論鋪陳，讓讀者能夠輕鬆掌握深度學習的核心原理。全書提供完整範例程式與多種演算法的實務應用，強調實用性與延伸性，期盼能激發讀者靈感，將所學應用於實際專案或產品開發中。
本次改版翻修實作的範例程式，並新增更多應用實例及演算法說明，例如Transformer、Diffusion Model等。
《深度學習最佳入門與專題實戰：自然語言處理、大型語言模型與強化學習篇》內容包括：自然語言處理相關演算法、大語言模型、語音辨識、強化學習等，全面涵蓋深度學習的自然語言處理及強化學習領域。
適合讀者
►深度學習的入門者：必須熟悉Python 程式語言及機器學習基本概念。
►資料工程師：以應用系統開發為職志，希望能應用各種演算法，進行實作。
►資訊工作者：希望能擴展深度學習知識領域。
►從事其他領域的工作，希望能一窺深度學習奧秘者
作者簡介
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
目錄大綱
►第四篇 自然語言處理
第13 章 自然語言處理的介紹
▍13-1 詞袋（BOW）與TF-IDF
▍13-2 詞彙前置處理
▍13-3 詞向量（Word Vector）
▍13-4 GloVe 模型
▍13-5 中文詞向量
▍13-6 spaCy 套件
▍13-7 本章小結
▍參考資料（ References）
第14 章 自然語言處理的演算法
▍14-1 循環神經網路（RNN）
▍14-2 長短期記憶網路（LSTM）
▍14-3 LSTM 重要參數與多層LSTM
▍14-4 Gate Recurrent Unit（GRU）
▍14-5 RNN 系列模型應用
▍14-6 股價預測
▍14-7 股價預測與時間序列分析
▍14-8 時間序列分析（Time Series Analysis）
▍14-9 Prophet 套件實作
▍14-10 以ARIMA 預測台股
▍14-11 以Prophet 預測台股
▍14-12 加入技術指標
▍14-13 NLP 其他應用
14-13-1 機器翻譯（NMT）
14-13-2 命名實體識別（NER）8
14-13-3 文本生成（Text generation）
▍14-14 本章小結
▍參考資料（ References）
第15 章 大型語言模型（LLM）
▍15-1 Transformer 演算法
▍15-2 Transformer 實作
▍15-3 Transformers 套件實作
▍15-4 Transformers 模型微調
▍15-5 大型語言模型測試
▍15-6 ChatGPT 簡介
15-6-1 ChatGPT 使用者介面
15-6-2 OpenAI API
▍15-7 大型語言模型訓練架構
▍15-8 大型語言模型導入實務
15-8-1 提示工程（Prompt engineering）
15-8-2 RAG（Retrieval Augmented Generation）
15-8-3 AI Agent 5
▍15-9 本章小結
▍參考資料（ References）
第16 章 語音辨識
▍16-1 語音基本認識
▍16-2 語音前置處理
▍16-3 TensorFlow/PyTorch 內建語音資料集
▍16-4 語音深度學習實作
▍16-5 自動語音辨識（Automatic Speech Recognition）
▍16-6 GMM-HMM 概念說明
▍16-7 GMM-HMM 實作
▍16-8 深度學習演算法
▍16-9 Whisper 套件測試
▍16-10 本章小結
▍參考資料（ References）
►第五篇 強化學習（Reinforcement Learning）
第17 章 強化學習
▍17-1 強化學習的基礎
▍17-2 強化學習模型
▍17-3 簡單的強化學習架構
▍17-4 Gymnasium 套件
▍17-5 貝爾曼方程式（Bellman Equation）
▍17-6 動態規劃（Dynamic Programming）演算法
▍17-7 值循環（Value Iteration）
▍17-8 蒙地卡羅（Monte Carlo）演算法
▍17-9 時序差分（Temporal Difference）
17-9-1 SARSA 演算法
17-9-2 Q-learning 演算法
▍17-10 井字遊戲
▍17-11 倉庫撿貨系統
▍17-12 Deep Q-Learning 演算法
▍17-13 策略梯度（Policy Gradient）演算法
▍17-14 Stable Baselines3 套件
▍17-15 其他研究方向
▍17-16 本章小結
▍參考資料（ References）
