書名:Keras大神歸位:深度學習全面進化!用 Python 實作CNN、RNN、GRU、LSTM、GAN、VAE、Transformer

原文書名:


9789863127017Keras大神歸位:深度學習全面進化!用 Python 實作CNN、RNN、GRU、LSTM、GAN、VAE、Transformer
  • 產品代碼:

    9789863127017
  • 系列編號:

    F2379
  • 定價:

    1200元
  • 作者:

    Fran?ois Chollet
  • 譯者:

    黃逸華、林采薇
  • 相關作者:

    黃逸華 審、施威銘研究室 監修
  • 頁數:

    656頁
  • 開數:

    23.5x18.3x3.1
  • 裝訂:

    平裝
  • 上市日:

    20220620
  • 出版日:

    20220620
  • 出版社:

    旗標科技股份有限公司
  • CIP:

    312
  • 市場分類:

    電腦資訊
  • 產品分類:

    書籍免稅
  • 聯合分類:

    電腦資訊類
  •  

    ※缺書中
商品簡介


正宗Keras大神著作再次降臨!

近10年來,深度學習為人工智慧領域帶來了出色的進展,也解鎖了許多有趣的新功能,如:機器翻譯、影像識別、物體定位等不一而足。毫不誇張地說,深度學習已迅速成為每位軟體開發者必備的武器。此外,諸如Keras和TensorFlow等先進的工具,也消除了普通人與深度學習之間的隔閡。即使你只有高中程度的數學知識,且甚至沒有資料科學的相關背景,也依舊可以透過這些工具來建構有趣的深度學習應用。

本書由 Keras 創始者親自撰寫,沒人比他更了解Keras這套工具,雖然如此,但這並不是一本 Keras 的使用手冊,而是帶你從頭開始探索深度學習,進而拓展對深度學習理解的經典之作。你也將從中明瞭解決機器學習問題的標準作業流程,以及未來實務上如何克服可能遇到的問題。

本書前一版在全世界都獲得非常高的評價,並被翻譯成12種語言,到現在仍是技術社群推薦必讀的深度學習入門書。不過深度學習技術在這短短幾年有巨大的進展,因此第二版作者新增了許多常見任務的實作專案,例如:影像分割、時間序列預測、機器翻譯等。另外,作者還加入了當前熱門技術的介紹,如attention機制、Transformer架構、KerasTuner等,並搭配實作案例來加深讀者的理解。

由於第二版的內容修改幅度極大,因此中文版重新編譯,由業內專家進行翻譯、審閱,在專有名詞的說法和敘述,都更加符合國內業界的習慣用語。無論你是從業中的機器學習工程師、軟體開發人員,還是資訊科系學生,本書的內容都會對你有所幫助。

【重磅推薦】
「掌握本質, 了解其所能與不能, 是面對技術快速迭代、世局難以預測的鑰匙。本書就是開啟深度學習的一把鑰匙。」
——鴻海研究院執行長 李維斌

「對於想熟悉 Keras和Tensorflow的技術人來說, 是一本極佳的入門學習書, 而對於不熟悉技術只想一窺門道的人來說, 結構井然的邏輯和極為通暢易讀的寫作方式, 大大降低了非技術出身如我輩的學習門檻。」
——台灣人工智慧科技基金會執行長 溫怡玲

「Keras大神親自出手將最新的發展及其具體應用範例帶到我們面前, 在AI產業界來說, 這是極其重要的大事, 不可等閒視之, 而且是由在 AI領域著墨很深、實踐經驗豐富的黃逸華數據長主持翻譯與審閱工作, 更讓我們充滿期待。」
——台灣人工智慧協會副理事長 黃國寶

「大神再次出手, 這是AI產業化的高光時刻, 很榮幸可以參與這場盛事, 也謝謝您的關注。」
——華實智造科技有限公司數據長 黃逸華
本書特色:
☆全面採用最新的Tensorflow × Keras版本

☆Keras創始者親筆之作,以自身經驗分享深度學習的門道

☆從做中學,各章皆搭配豐富專案實作,不會只是紙上談兵

☆延續第一版的紮實基礎內容,新增了當前最熱門的技術,讓讀者可以更上一層樓
■卷積神經網路
■殘差連接
■變分自編碼器(VAE)
■self-attention機制
■Transformer架構
■KerasTuner超參數調校
■模型集成
■混合精度訓練 等等

☆本書由施威銘研究室監修,書中針對原書進行大量補充,並適當添加註解,幫助讀者更好地理解內容

作者簡介


François Chollet 是 Keras(最為廣泛使用的深度學習框架之一)的創始者。他目前是 Google 的軟體工程師,領導著 Keras 團隊。另外,他也從事抽象、推理,以及如何在人工智慧領域中實現更強普適性等方面的研究。

書籍目錄


★第1章:何謂深度學習?
1-1 人工智慧、機器學習與深度學習
1-2 機器學習的基礎技術
1-3 為什麼是深度學習?為什麼是現在?

★第2章:神經網路的數學概念
2-1 初探神經網路:第一隻神經網路
2-2 神經網路的資料表示法:張量Tensor
2-3 神經網路的工具:張量運算
2-4 神經網路的引擎:以梯度為基礎的最佳化
2-5 重新檢視我們的第一個例子

★第3章:Keras和TensorFlow簡介
3-1 TensorFlow是什麼?
3-2 Keras是什麼?
3-3 Keras與TensorFlow的戀愛史
3-4 設定深度學習工作站
3-5 使用TensorFlow的第一步
3-6 剖析神經網路:了解Keras API的核心

★第4章:開始使用神經網路:分類與迴歸問題
4-1 二元分類範例:將電影評論分類為正評或負評
4-2 多類別分類範例:分類數位新聞專欄
4-3 迴歸範例:預測房價

★第5章:機器學習的基礎
5-1 普適化:機器學習的終極目標
5-2 評估機器學習模型
5-3 提升模型的擬合表現
5-4 提高普適化能力

★第6章:機器學習的工作流程
6-1 定義任務
6-2 開發模型
6-3 部署模型

★第7章:深入探討Keras
7-1 Keras的工作流程
7-2 建構Keras模型的不同方法
7-3 使用內建的訓練與評估迴圈
7-4 設計自己的訓練及評估迴圈

★第8章:電腦視覺的深度學習簡介
8-1 卷積神經網路(CNN)
8-2 以少量資料集從頭訓練一個卷積神經網路
8-3 利用預先訓練好的模型

★第9章:電腦視覺的進階技巧
9-1 電腦視覺的三種基本任務
9-2 影像分割案例
9-3 現代卷積神經網路的架構模式
9-4 卷積神經網路學到了什麼?

★第10章:時間序列的深度學習
10-1 各種時間序列任務
10-2 溫度預測任務
10-3 認識循環神經網路(recurrent neural networks)
10-4 循環神經網路的進階運用

★第11章:文字資料的深度學習
11-1 概述自然語言處理(natural language processing, NLP)
11-2 準備文字資料
11-3 表示單字組的兩種方法:集合(set)及序列(sequence)
11-4 Transformer架構
11-5 文字分類之外的任務-以Seq2seq模型為例

★第12章:生成式深度學習
12-1 使用LSTM來生成文字資料
12-2 DeepDream
12-3 神經風格轉換
12-4 使用變分自編碼器(Variational AutoEncoder)生成影像
12-5 對抗式生成網路(GAN)簡介

★第13章:實務上的最佳實踐
13-1 讓模型發揮最大效用
13-2 擴大模型的訓練規模

★第14章:結語
14-1 回顧關鍵概念
14-2 深度學習的倨限性
14-3 為提高AI普適性設定方向
14-4 實踐智慧:缺少的成分
14-5 深度學習的未來
14-6 在快速發展的領域保持最新狀態