登入
｜
註冊
｜
會員中心
｜
結帳
｜
培訓課程
魔法弟子
｜
自資出版
｜
電子書
｜
客服中心
｜
智慧型立体會員
書名
出版社
作者
isbn
編號
5050魔法眾籌
|
NG書城
|
國際級品牌課程
|
優惠通知
|
霹靂英雄音樂精選
|
iPhone 4S JB解禁秘術：Cydia 超限軟體300+
．
深度學習最佳入門與專
．
Rust最佳入門與實
．
深度學習 最佳入門邁
文學小說
文學
｜
小說
商管創投
財經投資
｜
行銷企管
人文藝坊
宗教、哲學
社會、人文、史地
藝術、美學
｜
電影戲劇
勵志養生
醫療、保健
料理、生活百科
教育、心理、勵志
進修學習
電腦與網路
｜
語言工具
雜誌、期刊
｜
軍政、法律
參考、考試、教科用書
科學工程
科學、自然
｜
工業、工程
家庭親子
家庭、親子、人際
青少年、童書
玩樂天地
旅遊、地圖
｜
休閒娛樂
漫畫、插圖
｜
限制級
深度學習最佳入門與專題實戰：理論基礎與影像篇
作者：
陳昭明
分類：
電腦與網路
／
綜論
出版社：
深智數位
出版日期：2025/5/21
ISBN：9786267569825
書籍編號：kk0600138
頁數：644
定價：
980
元
優惠價：
79
折
774
元
書價若有異動，以出版社實際定價為準
訂購後立即為您進貨
訂購後立即為您進貨：目前無庫存量,讀者下訂後,開始進入調書程序,一般天數約為2-10工作日(不含例假日)。
團購數最低為 20 本以上
評價數：
(請將滑鼠移至星星處進行評價)
目前平均評價：
文字連結
複製語法
<a href='https://www.silkbook.com/book_detail.asp?goods_ser=kk0600138'>深度學習最佳入門與專題實戰：理論基礎與影像篇</a>
圖片連結
複製語法
<a href='https://www.silkbook.com/book_detail.asp?goods_ser=kk0600138'><img src='https://www.silkbook.com/mall_image/bk/kk0600138.jpg' ALT='深度學習最佳入門與專題實戰：理論基礎與影像篇' height='120' width='90'></a>
分
享
內容簡介
作者介紹
書籍目錄
同類推薦
深度學習最佳入門與專題實戰：理論基礎與影像篇 內容簡介 ★☆★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：理論基礎與影像篇》內容包括：深度學習導論、神經網路原理、TensorFlow 基礎操作、物件偵測、生成式 AI、生成對抗網路、擴散模型等，全面涵蓋深度學習的基礎知識與影像應用領域。 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 ►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 人工智慧的未來趨勢 ▍1-3 AI 的學習地圖 ▍1-4 機器學習應用領域 ▍1-5 機器學習開發流程 ▍1-6 開發環境安裝 ▍參考資料（References） 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 線性代數（Linear Algebra） 2-2-1 向量（Vector） 2-2-2 矩陣（Matrix） 2-2-3 聯立方程式求解 ▍2-3 微積分（Calculus） 2-3-1 微分（Differentiation） 2-3-2 微分定理 2-3-3 偏微分（Partial Differentiation） 2-3-4 線性迴歸求解 2-3-5 積分（Integration） ▍2-4 機率（Probability）與統計（Statistics） 2-4-1 資料型態 2-4-2 抽樣（Sampling） 2-4-3 基礎統計（Statistics Fundamentals） 2-4-4 機率（Probability） 2-4-5 機率分配（Distribution） 2-4-6 假設檢定（Hypothesis Testing） 2-4-7 小結 ▍2-5 線性規劃（Linear Programming） ▍2-6 最大概似法（MLE） ▍2-7 神經網路（Neural Network）求解 2-7-1 神經網路（Neural Network） 2-7-2 梯度下降法（Gradient Descent） 2-7-3 神經網路求解 ▍參考資料（References） ►第二篇 TensorFlow 基礎篇 第3 章 TensorFlow 架構與主要功能 ▍3-1 常用的深度學習套件 ▍3-2 TensorFlow 架構 ▍3-3 張量（Tensor）運算 ▍3-4 自動微分（Automatic Differentiation） ▍3-5 神經層（Neural Network Layer） ▍參考資料（ References） 第4 章 神經網路實作 ▍4-1 撰寫第一支神經網路程式 4-1-1 最簡短的程式 4-1-2 程式強化 4-1-3 實驗 ▍4-2 Keras 模型種類 4-2-1 順序型模型（Sequential Model） 4-2-2 Functional API ▍4-3 神經層（Layer） 4-3-1 完全連接神經層（Dense Layer） 4-3-2 Dropout Layer ▍4-4 激勵函數（Activation Function） ▍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） ▍參考資料（ References） 第5 章 TensorFlow 常用指令與功能 ▍5-1 特徵轉換 ▍5-2 模型存檔與載入（Model Saving and Loading） ▍5-3 模型彙總與結構圖（Summary and Plotting） ▍5-4 回呼函數（Callbacks） 5-4-1 EarlyStopping Callback 5-4-2 ModelCheckpoint Callback 5-4-3 TensorBoard Callback 5-4-4 自訂Callback 5-4-5 自訂Callback 5-4-6 取得優化器的學習率變化 5-4-7 小結 ▍5-5 TensorBoard 5-5-1 TensorBoard 功能 5-5-2 測試 5-5-3 寫入圖片 5-5-4 效能調校（Performance Tuning） 5-5-5 敏感度分析（What-If Tool, WIT） 5-5-6 小結 ▍5-6 模型佈署（Deploy） 5-6-1 網頁開發 5-6-2 桌面程式開發 ▍5-7 TensorFlow Dataset 5-7-1 產生Dataset 5-7-2 圖像Dataset 5-7-3 TFRecord 與Dataset 5-7-4 TextLineDataset 5-7-5 Dataset 效能提升 ▍參考資料（ References） 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 濾波器（Filter） ▍6-4 池化層（Pooling Layer） ▍6-5 CNN 模型實作 ▍6-6 資料增補（Data Augmentation） ▍6-7 可解釋的 AI（ eXplainable AI, XAI） ▍6-8 卷積神經網路的缺點 ▍參考資料（ References） 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 採用完整模型 ▍7-3 採用部分模型 ▍7-4 轉移學習（Transfer Learning） ▍7-5 Batch Normalization 說明 ▍參考資料（ References） ►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 影像金字塔與滑動視窗 ▍8-3 方向梯度直方圖（HOG） ▍8-3 R-CNN 系列演算法 ▍8-4 R-CNN 改良 ▍8-5 YOLO 演算法簡介 ▍8-6 YOLO 訓練與推論 ▍8-7 YOLO 各項功能 ▍8-8 圖像分類（Image Classification） ▍8-9 物件偵測（Object Detection） 8-9-1 YOLO 物件偵測（Object Detection） 8-9-2 TensorFlow Object Detection API ▍8-10 資料標記（Data Annotation） ▍8-11 物件偵測的效能衡量指標 ▍8-12 實例分割（Instance Segmentation） ▍8-13 姿態辨識（Pose Estimation） ▍8-14 旋轉邊界框物件偵測（Oriented Bounding Boxes Object Detection） ▍8-15 物件追蹤（Object Tracking） ▍8-16 YOLO 測試心得 ▍8-17 總結 ▍參考資料（ References） 第9 章 生成式AI（Generative AI） ▍9-1 編碼器與解碼器（Encoder-decoder） ▍9-2 自動編碼器（AutoEncoder） ▍9-3 變分自編碼器（Variational AutoEncoder） ▍9-4 Conditional VAE ▍9-5 U-Net ▍9-6 風格轉換（Style Transfer） -- 人人都可以是畢卡索 ▍9-7 快速風格轉換（Fast Style Transfer） ▍9-8 本章小結 ▍參考資料（ References） 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 CartoonGAN ▍10-9 GAN 挑戰 ▍10-10 深度偽造（Deepfake） ▍參考資料（ References） 第11 章 擴散模型（Diffusion Model） ▍11-1 擴散模型（Diffusion Model）原理 ▍11-2 擴散模型（Diffusion Model）實作 ▍11-3 MidJourney 簡介 ▍11-4 Stable Diffusion 簡介 ▍11-5 DreamStudio 使用 ▍11-6 Stable Diffusion 本機安裝 ▍11-7 Stable Diffusion API ▍11-8 Stable Diffusion Extension ▍11-9 ControlNet in Diffusers ▍11-10 NitroFusion ▍11-11 OpenAI DALL · E ▍11-12 本章小結 ▍參考資料（ References） 第12 章 其他影像應用 ▍12-1 臉部辨識（Facial Recognition） ▍12-2 臉部偵測（Face Detection） ▍12-3 MTCNN 演算法 ▍12-4 臉部追蹤（Face Tracking） ▍12-5 臉部特徵點偵測 ▍12-6 臉部驗證（Face Verification） ▍12-7 光學文字辨識（OCR） ▍12-8 EasyOCR ▍12-9 車牌辨識（ANPR） ▍12-10 影像去背（Background Removing） ▍12-11 本章小結 ▍參考資料（ References）
成為AI無法取代的那
AI應用全解，跨越技
LLM資安教戰手冊｜
工程師下班有約：企業
深度學習詳解｜台大李
AI 提問 X 學習
我們與機器人的光明未
深度學習最佳入門與專
Hey Siri及O
GitHub Cop
為了保障您的權益，新絲路網路書店所購買的商品均享有到貨七天的鑑賞期（含例假日）。退回之商品必須於鑑賞期內寄回（以郵戳或收執聯為憑），且商品必須是全新狀態與完整包裝(商品、附件、內外包裝、隨貨文件、贈品等)，否則恕不接受退貨。
