人工智慧與深度學習：理論與Python實踐

chapter 01 深度學習的預先知識 
1-1 線性代數 (Linear Algebra) 
1-2 微積分 (Calculus) 
1-3 最佳化理論 
1-4 統計學 
1-5 Python 程式語言介紹 

chapter 02 前饋式神經網路 
2-1 感知機 
2-2 多層感知機 
2-3 深度前饋式神經網路 
2-4 深度神經網路的梯度下降方式 
2-5 過適化問題 (Overfitting Problem) 
2-6 程式範例 

chapter 03 卷積神經網路 
3-1 卷積神經網路架構 
3-2 倒傳遞法進行參數更新 
3-3 數值範例 
3-4 殘差網路 
3-5 程式範例 

chapter 04 遞迴式神經網路 
4-1 遞迴式神經網路 
4-2 序列學習 (Sequential Learning) 
4-3 Elman 神經網路理論模型 
4-4 長短期記憶 (Long Short-Term Memory, LSTM) 模型 
4-5 Peephole 長短期記憶 (Peephole LSTM) 模型 
4-6 GRU (Gated Recurrent Unit) 模型 
4-7 雙向 LSTM (Bidirectional LSTM) 
4-8 程式範例 

chapter 05 侷限型波茲曼模型、深度信念網路及自編碼器 
5-1 侷限型波茲曼模型 (Restricted Boltzmann Machines, RBM) 
5-2 深度信念網路 (Deep Belief Networks, DBN) 
5-3 自編碼器 (Autoencoders) 
5-4 程式範例 

chapter 06 其他網路模型 
6-1 自迴歸模型 (Autoregressive Models) 
6-2 自生成模型 (Generative Models) 
6-3 神經圖靈機 
6-4 注意力模型 (Attention-based Models) 
6-5 程式範例 

chapter 07 強化學習 
7-1 馬可夫決策過程 
7-2 Bellman 方程式 
7-3 深度 Q- 網路 (Deep Q-Network, DQN) 
7-4 政策梯度 (Policy gradients) 
7-5 Advantage Actor-Critic (A2C) Methods 
7-6 程式範例