防詐3要訣：不聽信、不操作、掛斷電話 
9
600540
查詢門市庫存
【本書特色】
著重PyTorch的實作與應用，
輕鬆進入深度學習與人工智慧領域！
著重PyTorch的實作與應用，
輕鬆進入深度學習與人工智慧領域！
內容簡介
【本書特色】
著重PyTorch的實作與應用，
輕鬆進入深度學習與人工智慧領域！
☛詳細說明深度學習的實作流程，以系統化步驟來處理各式的任務問題。
☛介紹深度學習原理，實作DNN、CNN、RNN、LSTM、RL各種演算法。
☛提供完整的程式範例，程式力求淺顯易懂，說明深入淺出。
☛注重數據集的探索處理，可強化數據分析能力。
【內容簡介】
深度學習是人工智慧的一個分支，相較於傳統的機器學習，深度學習在某些領域中更接近人類智慧，而逐漸走進我們的生活中，常見的應用如人臉辨識、語音識別、智慧駕駛等。
PyTorch是一個開源的Python深度學習函式庫，這個軟體主要由Facebook的人工智慧研究團隊開發，而由於PyTorch的語法簡單，且擁有完善的文件說明，目前已成為開發深度學習的主要框架之一。
本書內容由淺入深，不只對PyTorch進行系統化的介紹，也詳細說明了神經網路、CNN網路、RNN網路及強化學習等主題。本書還安排了18個實習，以PyTorch實作深度學習的各種演算法，經由實作的過程，可有效幫助讀者學習，進入深度學習的世界。
【目標讀者】
☛對深度學習有興趣的初學者，可讓讀者兼顧理論與實作。
☛適用於大專院校「深度學習」課程的學生，可作為教師授課之用。
☛已學過TensorFlow且想再學習PyTorch框架者，可對學習、研究及求職有很大的幫助。
☛專案設計者、AI工程師、數據分析工程師，也很適合閱讀本書。
著重PyTorch的實作與應用，
輕鬆進入深度學習與人工智慧領域！
☛詳細說明深度學習的實作流程，以系統化步驟來處理各式的任務問題。
☛介紹深度學習原理，實作DNN、CNN、RNN、LSTM、RL各種演算法。
☛提供完整的程式範例，程式力求淺顯易懂，說明深入淺出。
☛注重數據集的探索處理，可強化數據分析能力。
【內容簡介】
深度學習是人工智慧的一個分支，相較於傳統的機器學習，深度學習在某些領域中更接近人類智慧，而逐漸走進我們的生活中，常見的應用如人臉辨識、語音識別、智慧駕駛等。
PyTorch是一個開源的Python深度學習函式庫，這個軟體主要由Facebook的人工智慧研究團隊開發，而由於PyTorch的語法簡單，且擁有完善的文件說明，目前已成為開發深度學習的主要框架之一。
本書內容由淺入深，不只對PyTorch進行系統化的介紹，也詳細說明了神經網路、CNN網路、RNN網路及強化學習等主題。本書還安排了18個實習，以PyTorch實作深度學習的各種演算法，經由實作的過程，可有效幫助讀者學習，進入深度學習的世界。
【目標讀者】
☛對深度學習有興趣的初學者，可讓讀者兼顧理論與實作。
☛適用於大專院校「深度學習」課程的學生，可作為教師授課之用。
☛已學過TensorFlow且想再學習PyTorch框架者，可對學習、研究及求職有很大的幫助。
☛專案設計者、AI工程師、數據分析工程師，也很適合閱讀本書。
產品目錄
|CHAPTER 01| PyTorch簡介與安裝
1.1 本章提要
1.2 PyTorch簡介
1.3 建置PyTorch開發環境
1.4 安裝CPU版本的PyTorch
1.5 安裝GPU版本的PyTorch
1.6 Jupyter Notebook基本操作
1.7 測試PyTorch是否安裝成功
|CHAPTER 02| PyTorch張量
2.1 本章提要
2.2 建立張量
2.3 建立預設值張量
2.4 張量與NumPy
2.5 CPU和GPU中的張量
2.6 張量的索引及切片
2.7 張量的變換
2.8 張量拼接及拆分
2.9 比較運算
2.10 實習①：張量基本操作
|CHAPTER 03| 自動微分與線性迴歸
3.1 本章提要
3.2 PyTorch自動微分
3.3 線性迴歸
3.4 梯度下降法解多元迴歸問題
3.5 張量算術運算
3.6 實習②：Autograd解多元迴歸問題
|CHAPTER 04| 建構神經網路
4.1 本章提要
4.2 感知器
4.3 多層神經網路
4.4 激活函數
4.5 損失函數
4.6 倒傳遞演算法
4.7 優化器
4.8 torch.nn模組
4.9 torch.optim模組
4.10 訓練神經網路程式架構
4.11 實習③：單層神經網路解多元迴歸問題
|CHAPTER 05| 數據探索與處理
5.1 本章提要
5.2 數據分析
5.3 探索數據
5.4 處理異常值
5.5 處理缺失值
5.6 數據縮放
5.7 拆分數據集
5.8 實習④：預測歌曲發行年份
|CHAPTER 06| 自定義神經網路
6.1 本章提要
6.2 自定義網路層
6.3 nn.functional模組
6.4 深度學習實現流程
6.5 Dataset與DataLoader
6.6 儲存與載入模型
6.7 實習⑤：信用卡違約二元分類
6.8 自定義Dataset
6.9 實習⑥：鳶尾花多元分類
|CHAPTER 07| 卷積神經網路
7.1 本章提要
7.2 CNN基本結構
7.3 卷積層
7.4 池化層.
7.5 全連接層
7.6 加入Dropout層及BatchNorm層
7.7 實習⑦：MNIST手寫數字辨識
|CHAPTER 08| 遷移學習
8.1 本章提要
8.2 TorchVision函式庫
8.3 實習⑧：使用ResNet18模型進行圖片分類
8.4 調整學習率
8.5 ImageFolder類別
8.6 實習⑨：微調ResNet18模型進行圖片分類
|CHAPTER 09| 建構ResNet神經網路
9.1 本章提要
9.2 CIFAR-10數據準備與探索
9.3 實習⑩：CIFAR-10 CNN圖片分類
9.4 ResNet殘差網路
9.5 ResNet18模型架構
9.6 PyTorch實現ResNet網路
9.7 實習⑪：ResNet10 圖形分類
|CHAPTER 10| 循環神經網路
10.1 本章提要
10.2 RNN 循環神經網路
10.3 隨時間倒傳遞演算法
10.4 雙向RNN
10.5 PyTorch實作RNN網路
10.6 實習⑫：RNN處理序列數據
|CHAPTER 11| 長短期記憶網路
11.1 本章提要
11.2 LSTM工作原理
11.3 門控機制
11.4 GRU網路
11.5 PyTorch實作LSTM網路
11.6 文字轉數字的處理
11.7 詞嵌入
11.8 實習⑬：LSTM網路處理IMDB評論分類
|CHAPTER 12| 強化學習
12.1 本章提要
12.2 強化學習簡介
12.3 Markov決策過程
12.4 獎勵與回報
12.5 Q學習演算法
12.6 Q學習演算法手算範例
12.7 實習⑭：Q學習演算法解走至戶外問題
12.8 實習⑮：Q學習解迷宮
|CHAPTER 13| OpenAI Gym
13.1 本章提要
13.2 OpenAI Gym基本操作
13.3 FrozenLake遊戲
13.4 Epsilon- 貪婪策略
13.5 實習⑯：Q學習演算法解Frozen Lake
13.6 Mountain Car遊戲
13.7 將連續值轉換成離散值
13.8 實習⑰：Q學習演算法解Mountain Car
|CHAPTER 14| 深度Q網路
14.1 本章提要
14.2 DQN網路
14.3 DQN工作原理
14.4 DQN演算法
14.5 CartPole-v1遊戲
14.6 CartPole的深度Q學習
14.7 建構回放緩衝區
14.8 建構主要Q網路及目標Q網路
14.9 實習⑱：DQN解CartPole問題
1.1 本章提要
1.2 PyTorch簡介
1.3 建置PyTorch開發環境
1.4 安裝CPU版本的PyTorch
1.5 安裝GPU版本的PyTorch
1.6 Jupyter Notebook基本操作
1.7 測試PyTorch是否安裝成功
|CHAPTER 02| PyTorch張量
2.1 本章提要
2.2 建立張量
2.3 建立預設值張量
2.4 張量與NumPy
2.5 CPU和GPU中的張量
2.6 張量的索引及切片
2.7 張量的變換
2.8 張量拼接及拆分
2.9 比較運算
2.10 實習①：張量基本操作
|CHAPTER 03| 自動微分與線性迴歸
3.1 本章提要
3.2 PyTorch自動微分
3.3 線性迴歸
3.4 梯度下降法解多元迴歸問題
3.5 張量算術運算
3.6 實習②：Autograd解多元迴歸問題
|CHAPTER 04| 建構神經網路
4.1 本章提要
4.2 感知器
4.3 多層神經網路
4.4 激活函數
4.5 損失函數
4.6 倒傳遞演算法
4.7 優化器
4.8 torch.nn模組
4.9 torch.optim模組
4.10 訓練神經網路程式架構
4.11 實習③：單層神經網路解多元迴歸問題
|CHAPTER 05| 數據探索與處理
5.1 本章提要
5.2 數據分析
5.3 探索數據
5.4 處理異常值
5.5 處理缺失值
5.6 數據縮放
5.7 拆分數據集
5.8 實習④：預測歌曲發行年份
|CHAPTER 06| 自定義神經網路
6.1 本章提要
6.2 自定義網路層
6.3 nn.functional模組
6.4 深度學習實現流程
6.5 Dataset與DataLoader
6.6 儲存與載入模型
6.7 實習⑤：信用卡違約二元分類
6.8 自定義Dataset
6.9 實習⑥：鳶尾花多元分類
|CHAPTER 07| 卷積神經網路
7.1 本章提要
7.2 CNN基本結構
7.3 卷積層
7.4 池化層.
7.5 全連接層
7.6 加入Dropout層及BatchNorm層
7.7 實習⑦：MNIST手寫數字辨識
|CHAPTER 08| 遷移學習
8.1 本章提要
8.2 TorchVision函式庫
8.3 實習⑧：使用ResNet18模型進行圖片分類
8.4 調整學習率
8.5 ImageFolder類別
8.6 實習⑨：微調ResNet18模型進行圖片分類
|CHAPTER 09| 建構ResNet神經網路
9.1 本章提要
9.2 CIFAR-10數據準備與探索
9.3 實習⑩：CIFAR-10 CNN圖片分類
9.4 ResNet殘差網路
9.5 ResNet18模型架構
9.6 PyTorch實現ResNet網路
9.7 實習⑪：ResNet10 圖形分類
|CHAPTER 10| 循環神經網路
10.1 本章提要
10.2 RNN 循環神經網路
10.3 隨時間倒傳遞演算法
10.4 雙向RNN
10.5 PyTorch實作RNN網路
10.6 實習⑫：RNN處理序列數據
|CHAPTER 11| 長短期記憶網路
11.1 本章提要
11.2 LSTM工作原理
11.3 門控機制
11.4 GRU網路
11.5 PyTorch實作LSTM網路
11.6 文字轉數字的處理
11.7 詞嵌入
11.8 實習⑬：LSTM網路處理IMDB評論分類
|CHAPTER 12| 強化學習
12.1 本章提要
12.2 強化學習簡介
12.3 Markov決策過程
12.4 獎勵與回報
12.5 Q學習演算法
12.6 Q學習演算法手算範例
12.7 實習⑭：Q學習演算法解走至戶外問題
12.8 實習⑮：Q學習解迷宮
|CHAPTER 13| OpenAI Gym
13.1 本章提要
13.2 OpenAI Gym基本操作
13.3 FrozenLake遊戲
13.4 Epsilon- 貪婪策略
13.5 實習⑯：Q學習演算法解Frozen Lake
13.6 Mountain Car遊戲
13.7 將連續值轉換成離散值
13.8 實習⑰：Q學習演算法解Mountain Car
|CHAPTER 14| 深度Q網路
14.1 本章提要
14.2 DQN網路
14.3 DQN工作原理
14.4 DQN演算法
14.5 CartPole-v1遊戲
14.6 CartPole的深度Q學習
14.7 建構回放緩衝區
14.8 建構主要Q網路及目標Q網路
14.9 實習⑱：DQN解CartPole問題
規格
誠品貨碼 / 2682261306008
ISBN13 / 9786263332591
ISBN10 / 626333259X
EAN貨碼 / 9786263332591
頁數 / 336
裝訂 / P:平裝
語言 / 1:中文/繁體
尺寸 / 23X17X1.8CM
級別 / N:無
退貨說明
退貨須知：
- 依照消費者保護法的規定，您享有商品貨到次日起七天猶豫期(含例假日)的權益(請注意！猶豫期非試用期)，辦理退貨之商品必須是全新狀態(不得有刮傷、破損、受潮)且需完整(包含全部商品、配件、原廠內外包裝、贈品及所有附隨文件或資料的完整性等)。
- 請您以送貨廠商使用之包裝紙箱將退貨商品包裝妥當，若原紙箱已遺失，請另使用其他紙箱包覆於商品原廠包裝之外，切勿直接於原廠包裝上黏貼紙張或書寫文字。若原廠包裝損毀將可能被認定為已逾越檢查商品之必要程度，本公司得依毀損程度扣除回復原狀必要費用(整新費)後退費；請您先確認商品正確、外觀可接受，再行拆封，以免影響您的權利；若為產品瑕疵，本公司接受退貨。
依「通訊交易解除權合理例外情事適用準則」，下列商品不適用七日猶豫期，除產品本身有瑕疵外，不接受退貨：
- 易於腐敗、保存期限較短或解約時即將逾期。(如:生鮮蔬果、乳製品、冷凍冷藏食材、蛋糕)
- 依消費者要求所為之客製化給付。(如:客製印章、鋼筆刻字)
- 報紙、期刊或雜誌。
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。(如:電子書)
- 已拆封之個人衛生用品。(如:內衣褲、襪類、褲襪、刮鬍刀、除毛刀等貼身用品)
- 國際航空客運服務。
若您退貨時有下列情形，可能被認定已逾越檢查商品之必要程度而須負擔為回復原狀必要費用(整新費)，或影響您的退貨權利，請您在拆封前決定是否要退貨：
- 以數位或電磁紀錄形式儲存或著作權相關之商品(包含但不限於CD、VCD、DVD、電腦軟體等) 包裝已拆封者(除運送用之包裝以外)。
- 耗材(包含但不限於墨水匣、碳粉匣、紙張、筆類墨水、清潔劑補充包等)之商品包裝已拆封者(除運送用之包裝以外)。
- 衣飾鞋類/寢具/織品(包含但不限於衣褲、鞋子、襪子、泳裝、床單、被套、填充玩具)或之商品缺件(含購買商品、附件、內外包裝、贈品等)或經剪標或下水或商品有不可回復之髒污或磨損痕跡。
- 食品、美容/保養用品、內衣褲等消耗性或個人衛生用品、商品銷售頁面上特別載明之商品已拆封者(除運送用之包裝外一切包裝、包括但不限於瓶蓋、封口、封膜等接觸商品內容之包裝部分)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 家電、3C、畫作、電子閱讀器等商品，除商品本身有瑕疵外，退回之商品已拆封(除運送用之包裝外一切包裝、包括但不限於封膜等接觸商品內容之包裝部分、移除封條、拆除吊牌、拆除貼膠或標籤等情形)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 退貨程序請參閱【客服專區→常見問題→誠品線上退貨退款】之說明。
付款/配送
