★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