Keras大神歸位：深度學習全面進化！用 Python 實作CNN、RNN、GRU、LSTM、GAN、VAE、Transformer ISBN13：9789863127017 替代書名：Deep Learning with Python, Second Edition 出版社：旗標出版社 作者：François Cholle 譯者：黃逸華;林采薇 裝訂／頁數：平裝／656頁 規格：23.5cm*18.3cm*3.1cm (高/寬/厚) 出版日：2022/06/22 中國圖書分類：電腦科學 內容簡介 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。   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   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   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