範例程式安裝說明

程式相關的測試資料過大，請至這裡下載

請解壓至 src 目錄下

各章參考資料：參考資料.pdf

第15章 強化學習 Gym 套件v.2.6 大改版，現有程式會出現錯誤，請安裝 v2.4.1版

請參閱 v21 to v26 Migration Guide

gym 不再更新，未來由 gymnasium 套件取代，請參閱 Gymnasium GitHub

TensorFlow 變更

model.predict_classes 在 TensorFlow v2.5 已被淘汰, 應改為

np.argmax(model.predict(x_test_norm), axis=-1)

13_02_ChatterBot_test.ipynb 中的 ChatterBot 套件安裝在Windows作業系統安裝必須逐一套件安裝，例如：

pip install chatterbot --no-dependencies -U
pip install chatterbot_corpus
pip install pint
pip install mathparse
pip install pymongo -U

若出現 sqlalchemy 錯誤，dialect.has_table error, 請修改 anaconda3\Lib\site-packages\chatterbot\storage\sql_storage.py, 約在第46行。

        # Michael changed
        # if not self.engine.dialect.has_table(self.engine, 'Statement'):
        import sqlalchemy
        insp = sqlalchemy.inspect(self.engine)
        if not insp.has_table('Statement'):

深度學習 最佳入門邁向AI專題實戰

第一篇 深度學習導論

1 深度學習(Deep Learning)導論

1.1 人工智慧的三波浪潮

1.2 AI學習地圖

1.3 機器學習應用領域

1.4 機器學習開發流程

1.5 開發環境安裝

2 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)

2.3 微積分(Calculus)

2.4 機率(Probability)與統計(Statistics)

2.5 線性規劃(Linear Programming)

2.6 最小平方法(OLS) vs. 最大概似法(MLE)

2.7 神經網路(Neural Network)求解

第二篇 TensorFlow基礎篇

3 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)

4 神經網路的理解與實作

4.1 撰寫第一支神經網路程式

4.2 Keras模型種類

4.3 神經層(Layer)

4.4 激勵函數(Activation Functions)

4.5 損失函數(Loss Functions)

4.6 優化器(Optimizers)

4.7 效能衡量指標(Metrics)

4.8 超參數調校(Hyperparameter Tuning)

5 TensorFlow其他常用指令

5.1 特徵轉換(One-hot encoding etc.)

5.2 模型存檔與載入(Save and Load)

5.3 模型彙總與結構圖(Summary and Plotting)

5.4 回呼函數(Callbacks)

5.5 工作記錄與視覺化(TensorBoard)

5.6 模型佈署(Deploy) 與 TensorFlow Serving

5.7 TensorFlow Dataset

6 卷積神經網路(Convolutional Neural Network, CNN)

6.1 卷積神經網路簡介

6.2 卷積(Convolution)

6.3 各式卷積

6.4 池化層(Pooling Layer)

6.5 CNN模型實作

6.6 影像資料增補(Data Augmentation)

6.7 可解釋的AI(eXplainable AI, XAI)

7 預先訓練的模型(Pre-trained Model)

7.1 預先訓練模型的簡介

7.2 採用完整的模型

7.3 採用部分的模型

7.4 轉移學習(Transfer Learning)

7.5 Batch Normalization層

第三篇 進階的影像應用

8 物件偵測(Object Detection)

8.1 圖像辨識模型的發展

8.2 滑動視窗(Sliding Window)

8.3 方向梯度直方圖(HOG）

8.4 R-CNN改良

8.5 YOLO演算法簡介

8.6 YOLO環境建置

8.7 以TensorFlow使用YOLO模型

8.8 YOLO模型訓練

8.9 SSD演算法

8.10 TensorFlow Object Detection API

8.11 總結

9 進階的影像應用

9.1 語義分割(Semantic Segmentation)介紹

9.2 自動編碼器(AutoEncoder)

9.3 語義分割(Semantic segmentation)實作

9.4 實例分割(Instance Segmentation)

9.5 風格轉換(Style Transfer) --人人都可以是畢卡索

9.6 臉部辨識(Facial Recognition)

9.7 光學文字辨識(OCR)

9.8 車牌辨識(ANPR)

9.9 卷積神經網路的缺點

10 生成對抗網路 (Generative Adversarial Network, 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 GAN挑戰

10.9 深度偽造(Deepfake)

第四篇 自然語言處理

11 自然語言處理的介紹

11.1 詞袋(BOW)與TF-IDF

11.2 詞彙前置處理

11.3 詞向量(Word2Vec)

11.4 GloVe模型

11.5 中文處理

11.6 spaCy套件

12 第 12 章 自然語言處理的演算法

12.1 循環神經網路(RNN)

12.2 長短期記憶網路(LSTM)

12.3 LSTM重要參數與多層LSTM

12.4 Gate Recurrent Unit (GRU)

12.5 股價預測

12.6 注意力機制(Attention Mechanism)

12.7 Transformer架構

12.8 BERT

12.9 Transformers套件

12.10 總結

13 聊天機器人(ChatBot)

13.1 ChatBot類別

13.2 ChatBot設計

13.3 ChatBot實作

13.4 ChatBot工具套件

13.5 Dialogflow實作

13.6 結語

14 語音相關應用

14.1 語音基本認識

14.2 語音前置處理

14.3 語音相關的深度學習應用

14.4 自動語音辨識

14.5 自動語音辨識實作

14.6 結語

第五篇 強化學習 (Reinforcement learning)

15 強化學習 (Reinforcement learning)

15.1 強化學習的基礎

15.2 強化學習模型

15.3 簡單的強化學習架構

15.4 Gym套件

15.5 Gym擴充功能

15.6 動態規劃(Dynamic Programming)

15.7 值循環(Value Iteration)

15.8 蒙地卡羅(Monte Carlo)

15.9 時序差分(Temporal Difference)

15.10 其他演算法

15.11 井字遊戲

15.12 木棒台車(CartPole)

15.13 結論