苹果正式规定用户打赏要抽成30％！妥协，微信说NO

相关文章推荐

坚强的领结 · 英国判处制造洛克比空难的一利比亚人27年徒刑 ...· 1 年前 ·

坚强的领结 · 袁世凯对张謇四改称呼-新华网· 1 年前 ·

坚强的领结 · 老照片：袁世凯手下最得力的13员武将，图二段 ...· 1 年前 ·

坚强的领结 · 袁世凯为什么葬在安阳_周口市人民政府· 1 年前 ·

坚强的领结 · 抗拒袁世凯政府停兑令，全力维护中行信用（19 ...· 1 年前 ·

◆核心關鍵技術一網打盡，完整掌握深度學習
學習模型 / 損失函數 / 梯度下降法 / 反向傳播 / 卷積層 / 循環層 / 閘控機制 / 激活函數 / 正規化 / 跳躍連接 / 注意力單元……核心技術全面涵蓋
◆插圖、文字、數學式，三管齊下詳盡講解
- 以圖示勾勒整體概念
- 以文字解構問題並說明思路
- 以數學式演示技術流程
3 方向完整拆解、充分理解，讀懂原理不必再囫圇吞棗
◆從背景到傳承，清楚描繪技術發展脈絡
偉大的技術，即是解決過去的問題，並提出未來的問題；本書清楚描繪核心技術環環相扣的進化史，更能展望 AI 未來的新發展
王道維｜國立清華大學物理系教授 / 人文社會 AI 應用與發展研究中心副主任
林筱玫｜台灣人工智慧協會執行長
劉育維｜人工智慧解決方案專家暨網路作家
(依姓名筆劃排列) 岡野原大輔 (Daisuke Okanohara)
2010 年畢業於東京大學資訊理工學系計算機科學專攻博士課程（資訊理工學博士）。2006 年在學期間與友人共同創辦 Preferred Infrastructure，並於 2014 年創立 Preferred Networks。目前擔任 Preferred Networks 的代表取締役研究總裁（CER），以及 Preferred Computational Chemistry 的代表取締役社長。 第 1 章深度學習與人工智慧
為何深度學習能夠成功
1.1 何謂深度學習？什麼是人工「智慧」？
1.2 深度學習迅速發展的背景
1.3 深度學習的計算資源
1.4 人工智慧的歷史
1.5 未來將如何應用深度學習？
1.6 本章小結
第 2 章機器學習入門
何謂電腦的「學習」？
2.1 機器學習的背景知識
2.2 模型、參數與資料
2.3 普適能力 — 能否處理未知資料？
2.4 學習的方法 — 監督式學習、非監督式學習與強化式學習
2.5 問題設定的分類學
2.6 機器學習的基本 — 了解機器學習的各種概念
2.7 以機率模型理解機器學習
2.8 本章小結
第 3 章深度學習的技術基礎
組合資料轉換的「層」實現特徵學習的效果
3.1 特徵學習 — 「標示特徵」的重要性及挑戰
3.2 深度學習的基礎知識
3.3 神經網路是什麼樣的模型？
3.4 神經網路的學習
3.5 反向傳播 — 有效率地計算梯度
3.6 神經網路的主要組成元素
3.7 本章小結
第 4 章深度學習的發展
改善學習與預測的正規化層／跳躍連接／注意力單元
4.1 將「學習」由理論化為現實的基礎技術 — 類似ReLU的激活函數
4.2 正規化層
4.3 跳躍連接
4.4 注意力單元 — 根據輸入，動態改變資料傳遞方式
4.5 本章小結
第 5 章深度學習的應用技術
大幅進化的影像辨識、語音辨識、自然語言處理
5.1 影像辨識
5.2 語音辨識
5.3 自然語言處理
5.4 本章小結
附錄精選基礎
深度學習所需的數學概念
A.1 線性代數
A.2 微分
A.3 機率

ISBN：9789863128014
規格：平裝 / 304頁 / 17 x 23 x 1.8 cm / 普通級 / 全彩印刷 / 初版
出版地：台灣

本書分類：自然科普 > 應用科學 > 概論

本書分類：電腦資訊 > 概論/科技趨勢 > 人工智慧/機器學習

書籍延伸內容

《本文節錄自本書 1.2 節、5.3 節、4.4 節》

目前資料正以爆發性的速度持續增長當中。根據IDC（國際數據資訊）的推測，2020年全球生成、取得與複製的資料總量為64 ZB，而且未來至少 5年內，都將持續以每年23% 的速度增加。主要原因包括網路的普及、智慧型手機等個人裝置普及、運用使用者資料的 Web 服務增加，以及感測器與通訊成本降低。

〈影片資料與基因資料的快速增長〉

這些資料包括由個人、企業與研究活動所產生的資料，類型則包含文字、語音、影像、影片、感測器與 GPS 活動紀錄等。其中資料量增加最顯著的領域，則是「影片資料」與「基因資料」。

以影片資料來說，HD（高畫質）網路攝影機在本書執筆時，售價還不到 1,000 日圓。智慧型手機搭載的攝影機，性能已經可以媲美、甚至是超越傳統數位單眼相機等高性能相機，每天都有許多人不斷地在拍照。至於基因資料，目前讀取人類基因體的機器——基因體定序儀（genome sequencer），完成單次讀取的價格也正在急速下降。舉例來說，2001 年執行人類基因體計畫（Human Genome Project）時，一共歷經了十多年，耗資 27 億美元，才終於完成人類基因體的最終定序；但現在只要不到 1 小時就可以完成，價格還低於 100 美元。

〈以大量的訓練資料為基礎〉

不論是磁碟還是快閃記憶體，累積資料的儲存費用都越來越便宜了。而且如前所述，雲端的出現也讓我們能夠省去不必要的初期投資，輕鬆、安全地累積大量資料。加上自從人們發現資料本身即可創造價值之後，就陸續出現了許多可以免費儲存資料的服務。這些轉變都使我們得以利用大量且多樣化的資料來訓練機器學習的模型，再驗證訓練完的模型。

但深度學習能達到目前的發展，還是多虧了 ImageNet 收集數百萬張影像，並為其中一百萬張加上標籤。ImageNet 同樣是抱持著「大量資料比技術更能推動研究發展」的信念建立而成。目前機器學習的開發／研究中有一種「成功模式」：只要先將模型調整為「增加訓練資料，即可提升準確率」的狀態，再持續增加訓練資料，便能解決問題。

看完整內容連載

書評人養成營｜寫書評送25元E-Coupon

旗標年中暢銷展｜精選書單兩書75折！

旗標年中暢銷展｜精選書單兩書75折！➤全部好書這邊看

書籍延伸內容

最近瀏覽商品