chapter 1 機器學習基礎1.1 案例學習1.2 線性模型chapter 2 實踐方法論2.1 模型偏差2.2 最佳化問題2.3 過擬合2.4 交叉驗證2.5 不匹配chapter 3 深度學習基礎3.1 局部最小值與鞍點3.2 批次和動量3.3 自適化學習率3.4 學習率排程3.5 最佳化總結3.6 分類3.7 批次正規化chapter 4 卷積神經網路4.1 觀察 1：檢測模式不需要整幅圖片4.2 簡化 1：感知域4.3 觀察 2：同樣的模式可能出現在圖片的不同區域4.4 簡化 2：共用參數4.5 簡化 1 和簡化 2 的總結4.6 觀察 3：降取樣不影響模式檢測4.7 簡化 3：池化4.8 卷積神經網路的應用：下圍棋chapter 5 遞迴神經網路5.1 獨熱編碼5.2 什麼是 RNN5.3 RNN 架構5.4 其他 RNN5.5 LSTM 網路原理5.6 RNN 的學習方式5.7 如何解決 RNN 的梯度消失或梯度爆炸問題 5.8 RNN 的其他應用chapter 6 自注意力機制6.1 輸入是向量序列的情況6.2 自注意力機制的運作原理6.3 多頭自注意力6.4 位置編碼6.5 截斷自注意力6.6 對比自注意力與卷積神經網路6.7 對比自注意力與遞迴神經網路chapter 7 Transformer7.1 序列到序列模型7.2 Transformer 結構7.3 Transformer 編碼器7.4 Transformer 解碼器7.5 編碼器—解碼器注意力7.6 Transformer 的訓練過程7.7 序列到序列模型訓練常用技巧chapter 8 生成模型8.1 生成對抗網路8.2 生成器與判別器的訓練過程8.3 GAN 的應用案例8.4 GAN 的理論介紹8.5 WGAN 演算法8.6 GAN 訓練的困難點與技巧8.7 GAN 的效能評估方法8.8 條件型生成8.9 CycleGANchapter 9 擴散模型9.1 擴散模型產生圖片的過程9.2 降噪模組9.3 訓練雜訊預測器chapter 10 自監督學習10.1 BERT10.2 GPTchapter 11 自動編碼器11.1 自動編碼器的概念11.2 為什麼需要自動編碼器11.3 降噪自動編碼器11.4 自動編碼器應用之特徵解離11.5 自動編碼器應用之離散隱性表徵11.6 自動編碼器的其他應用chapter 12 對抗式攻擊12.1 對抗式攻擊簡介12.2 如何進行網路攻擊12.3 快速梯度符號法12.4 白箱攻擊與黑箱攻擊12.5 其他模態資料被攻擊案例12.6 現實世界中的攻擊12.7 防禦方式中的被動防禦12.8 防禦方式中的主動防禦chapter 13 轉移學習13.1 領域偏移13.2 領域自適應13.3 領域概化chapter 14 增強式學習14.1 增強式學習的應用14.2 增強式學習框架14.3 評價動作的標準chapter 15 元學習15.1 元學習的概念15.2 元學習的三個步驟15.3 元學習與機器學習15.4 元學習的實例演算法15.5 元學習的應用chapter 16 終身學習16.1 災難性遺忘16.2 終身學習的評估方法16.3 終身學習問題的主要解法1chapter 17 網路壓縮17.1 網路修剪17.2 知識蒸餾17.3 參數量化17.4 網路架構設計17.5 動態計算chapter 18 可解釋性機器學習18.1 可解釋性人工智慧的重要性18.2 決策樹模型的可解釋性18.3 可解釋性機器學習的目標18.4 可解釋性機器學習中的局部解釋18.5 可解釋性機器學習中的全局解釋18.6 擴充與小結chapter 19 ChatGPT19.1 ChatGPT 簡介和功能19.2 對 ChatGPT 的誤解19.3 ChatGPT 背後的關鍵技術—預訓練19.4 ChatGPT 帶來的研究問題
AI應用程式開發 第二版｜活用ChatGPT與LLM技術開發實作 邊緣AI－使用NVIDIA Jetson Orin Nano開發具備深度學習、電腦視覺與生成式AI功...more 全面掌握DeepSeek－LLM微調、生成式AI、企業級應用開發
本書學習資源請線上下載，下載方式請見書內說明。