深度學習：從入門到實戰(使用MATLAB)(附範例光碟)


	深度學習是目前人工智慧裡最熱門的領域之一，許多生活上的應用，如語言翻譯、語音識別、圖形識別、物件偵測、圖像生成等，皆運用了深度學習的技術，而取得重大的突破。　　在學習開發深度學習演算法時，首先要選擇開發工具與環境。市面上有許多開發深度學習技術的套件，如Tensorflow、Keras、PyTorch、MXNet等，這些工具雖然大幅降低進入深度學習技術的門檻，但仍有環境設置困難、套件版本不一等缺點。而Matlab具有便利簡單的語言與環境，為了讓讀者能輕鬆進入深度學習領域，本書使用Matlab程式語言來進行深度學習的開發與應用，並以初學者的角度講解，讓讀者可以輕鬆建構深度學習的概念。此外，本書介紹許多Matlab應用於深度學習的相關範例，使讀者累積應用的能力。


	目錄第一章環境建置 1-1 MATLAB 介紹 1-2 MATLAB 與相關工具箱安裝 1-3 深度學習相關套件安裝 1-4 GPU 加速運算介紹第二章數據標記與常見工具介紹 2-1 基本資料標記(How to label image data into MATLAB) 2-2 影像感興趣區域標記 2-3 圖像預處理 2-4 資料擴增(Data Augmentation) 第三章深度學習常見模型與函式語法介紹 3-1 卷積神經網路(convolution neural network, CNN) 3-2 卷積神經網路網路模型相關函式語法介紹 3-3 遞歸神經網路(recurrent neural network, RNN) 3-4 遞歸神經網路模型相關函式語法介紹 3-5 自動編碼器介紹(auto encoder) 3-6 自動編碼器相關函式語法與範例介紹第四章網路訓練參數與資料擴增之相關函式語法介紹 4-1 訓練網路的相關參數設置 4-2 模型預測與效能評估 4-3 圖像資料擴增第五章預訓練模型與遷移式學習 5-1 預訓練模型 5-2 遷移式學習(transfer learning) 第六章 Deep Network Designer 6-1 建立網路模型 6-2 修正模型 6-3 使用Deep Network Designer 進行遷移學習第七章 Experiment Manager 7-1 Experiment Manager 介面 7-2 使用Experiment Manager 訓練深度學習網路用於分類問題 7-3 使用Experiment Manager 訓練深度學習網路用於迴歸問題 7-4 使用多個預訓練模型進行遷移學習第八章 CNN 實戰範例 8-1 CIFAR-10 圖像分類 8-2 檢查點(Checkpoint)設置 8-3 深度學習應用於網路攝影機影像分類 8-4 卷積經神經網路的學習內容可視化 8-5 深度學習應用於物件偵測 8-6 深度學習應用於語義分割第九章 LSTM 實戰範例 9-1 深度學習應用於時間序列 9-2 序列的分類範例 9-3 序列到序列使用LSTM 的人類動作分類(human activity) 9-4 序列到序列的迴歸範例第十章進階範例-生成式網路 10-1 自定義的網路訓練迴圈 10-2 生成對抗網路 10-3 常見的GAN 訓練失敗模式 10-4 條件式生成對抗網路 10-5 神經風格轉換 10-6 後語