防詐3要訣：不聽信、不操作、掛斷電話 
9
980882
查詢門市庫存
★☆★深度學習暢銷好書2025全新改版★☆★
內容簡介
https://youtu.be/rXeKT66qd_s
★☆★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。
產品目錄
►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）
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）
規格
誠品貨碼 / 2682901720003
ISBN13 / 9786267569825
ISBN10 /
EAN貨碼 / 9786267569825
頁數 / 664
裝訂 / P:平裝
語言 / 1:中文/繁體
尺寸 / 17X23X3.25CM
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
