深度學習最佳入門與專題實戰：自然語言處理、大型語言模型與強化學習篇

►第四篇 自然語言處理
第13 章 自然語言處理的介紹
▍13-1 詞袋（BOW）與TF-IDF
▍13-2 詞彙前置處理
▍13-3 詞向量（Word Vector）
▍13-4 GloVe 模型
▍13-5 中文詞向量
▍13-6 spaCy 套件
▍13-7 本章小結
▍參考資料（ References）

第14 章 自然語言處理的演算法
▍14-1 循環神經網路（RNN）
▍14-2 長短期記憶網路（LSTM）
▍14-3 LSTM 重要參數與多層LSTM
▍14-4 Gate Recurrent Unit（GRU）
▍14-5 RNN 系列模型應用
▍14-6 股價預測
▍14-7 股價預測與時間序列分析
▍14-8 時間序列分析（Time Series Analysis）
▍14-9 Prophet 套件實作
▍14-10 以ARIMA 預測台股
▍14-11 以Prophet 預測台股
▍14-12 加入技術指標
▍14-13 NLP 其他應用
14-13-1 機器翻譯（NMT）
14-13-2 命名實體識別（NER）8
14-13-3 文本生成（Text generation）
▍14-14 本章小結
▍參考資料（ References）

第15 章 大型語言模型（LLM）
▍15-1 Transformer 演算法
▍15-2 Transformer 實作
▍15-3 Transformers 套件實作
▍15-4 Transformers 模型微調
▍15-5 大型語言模型測試
▍15-6 ChatGPT 簡介
15-6-1 ChatGPT 使用者介面
15-6-2 OpenAI API
▍15-7 大型語言模型訓練架構
▍15-8 大型語言模型導入實務
15-8-1 提示工程（Prompt engineering）
15-8-2 RAG（Retrieval Augmented Generation）
15-8-3 AI Agent 5
▍15-9 本章小結
▍參考資料（ References）

第16 章 語音辨識
▍16-1 語音基本認識
▍16-2 語音前置處理
▍16-3 TensorFlow/PyTorch 內建語音資料集
▍16-4 語音深度學習實作
▍16-5 自動語音辨識（Automatic Speech Recognition）
▍16-6 GMM-HMM 概念說明
▍16-7 GMM-HMM 實作
▍16-8 深度學習演算法
▍16-9 Whisper 套件測試
▍16-10 本章小結
▍參考資料（ References）

►第五篇 強化學習（Reinforcement Learning）
第17 章 強化學習
▍17-1 強化學習的基礎
▍17-2 強化學習模型
▍17-3 簡單的強化學習架構
▍17-4 Gymnasium 套件
▍17-5 貝爾曼方程式（Bellman Equation）
▍17-6 動態規劃（Dynamic Programming）演算法
▍17-7 值循環（Value Iteration）
▍17-8 蒙地卡羅（Monte Carlo）演算法
▍17-9 時序差分（Temporal Difference）
17-9-1 SARSA 演算法
17-9-2 Q-learning 演算法
▍17-10 井字遊戲
▍17-11 倉庫撿貨系統
▍17-12 Deep Q-Learning 演算法
▍17-13 策略梯度（Policy Gradient）演算法
▍17-14 Stable Baselines3 套件
▍17-15 其他研究方向
▍17-16 本章小結
▍參考資料（ References）

前言

　　再版說明

　　初版至今已近3 年，其間AI 發展迅速，各項套件/ 演算法均有重大變革，例如大語言模型（LLM）、生成式AI（Generative AI）、Keras v3、YOLO v11、Gymnasium，全書實作的範例程式幾乎全部翻修，並新增更多應用程式，也包括更多的演算法說明，例如Transformer、Diffusion Model⋯等。

　　為何撰寫本書

　　從事機器學習教育訓練已近6 年，其間也在『IT 邦幫忙』撰寫100 多篇的文章（https://ithelp.ithome.com.tw/users/20001976/articles），從學員及讀者的回饋獲得許多寶貴意見，期望能將整個歷程集結成冊，同時，相關領域的進展也在飛速變化，過往的文章內容需要翻新，因此藉機再重整思緒，想一想如何能將演算法的原理解釋得更簡易清晰，協助讀者跨入AI 的門檻，另外，也避免流於空談，盡量增加應用範例，希望能達到即學即用，不要有過多理論的探討。

　　AI 是一個將資料轉化為知識的過程，演算法就是過程中的生產設備，最後產出物是模型，再將模型植入各種硬體裝置，例如電腦、手機、智慧音箱、自駕車、醫療診斷儀器、⋯等，這些裝置就擁有特殊專長的智慧，再進一步整合各項技術就構建出智慧製造、智慧金融、智慧交通、智慧醫療、智慧城市、智慧家庭、⋯等應用系統。AI 的應用領域如此的廣闊，個人精力有限，當然不可能具備十八般武藝，樣樣精通，惟有從基礎紮根，再擴及有興趣的領域，因此，筆者撰寫這本書的初衷，非常單純，就是希望讀者在紮根的過程中，貢獻一點微薄的力量。

　　本書主要的特點

　　由於筆者身為統計人，希望能『以統計/ 數學為出發點』，介紹深度學習必備的數理基礎，但又不希望內文有太多數學公式的推導，讓離開校園已久的在職者看到一堆數學符號就心生恐懼，因此，嘗試以『程式設計取代定理證明』，縮短學習歷程，增進學習樂趣。

　　TensorFlow 2.x 版有巨大的變動，預設模式改為Eager Execution，並以Keras 為主力，整合TensorFlow 其他模組，形成完整的架構，本書期望對TensorFlow/Keras 架構作完性的介紹。

　　演算法介紹以理解為主，輔以大量圖表說明，摒棄長篇大論。

　　完整的範例程式及各種演算法的延伸應用，以實用為要，希望能觸發讀者靈感，能在專案或產品內應用。

　　介紹日益普及的演算法與相關套件的使用，例如YOLO（物件偵測）、GAN（生成對抗網路）/DeepFake（深度偽造）、OCR（辨識圖像中的文字）、臉部辨識、BERT/Transformer、ChatBot、強化學習、自動語音辨識（ASR）等。

　　目標對象

　　深度學習的入門者：必須熟悉Python 程式語言及機器學習基本概念。

　　資料工程師：以應用系統開發為職志，希望能應用各種演算法，進行實作。

　　資訊工作者：希望能擴展深度學習知識領域。

　　從事其他領域的工作，希望能一窺深度學習奧秘者。

　　閱讀重點

　　第一章介紹AI 的發展趨勢，鑑古知今，瞭解前兩波AI 失敗的原因，比較第三波發展的差異性。

　　第二章介紹深度學習必備的統計/ 數學基礎，不僅要理解相關知識，也力求能撰寫程式解題。

　　第三章介紹TensorFlow/Keras 基本功能，包括張量（Tensor）運算、自動微分及神經網路模型的組成，並說明梯度下降法求解的過程。

　　第四章開始實作，依照機器學習10 項流程，撰寫完整的範例，包括Web、桌面程式。

　　第五章介紹TensorFlow 進階功能， 包括各種工具， 如TensorBoard、TensorFlow Serving、Callbacks。

　　第六~ 八章介紹圖像/ 視訊的演算法及各式應用。

　　第九~ 十一章介紹生成式AI，包括Encoder-decoder、生成對抗網路（GAN）及擴散模型（Diffusion Model），也說明Stable Diffusion 及Dall-E 實作。

　　第十二章介紹各種影像應用，包括臉部辨識、OCR、車牌辨識及圖像去背。

　　第十三~ 十四章介紹自然語言處理及各式應用。

　　第十五章介紹大型語言模型（Large Language Model, LLM），包括Transformer 演算法、ChatGPT 實作及企業導入實務。

　　第十六章介紹語音辨識的原理/ 演算法/ 實作/ 應用，包括OpenAI Whisper 實作及應用範例。

　　第十七章介紹強化學習（Reinforcement Learning, RL）的概念/ 演算法/ 實作/ 應用，包括Gymnasium、Stable Baselines3 套件實作及應用範例。

　　本書範例程式碼全部收錄在 github.com/mc6666/DL_Book2，還包括各章的參考資料及超連結，方便使用者複製。