深度學習

「由三位深度學習領域專家撰寫的《Deep Learning》，是涵蓋內容最為全面的著作。對於要進入此領域的軟體工程師與學生，提供了兼具深度及廣度的觀點與淺顯數學概念，以及足供專家參考的內容。」
──Elon Musk，OpenAI共同主席；Tesla與SpaceX共同創辦人兼CEO。

「這是最完整的深度學習教科書。本書是由此領域的主要貢獻者所撰寫，清晰、全面與完整的呈現相關主題。想知道深度學習的起源、優勢與發展，請閱讀本書。」
──Geoffrey Hinton，英國皇家學會院士(FRS)，Toronto大學榮譽教授；Google傑出研究人員。

「近十年來，深度學習著實讓技術界為之傾倒。有必要為學習者、實作者與教學者撰寫一本教科書，內容包括基本概念、實務項目與進階研究主題。本書是第一本全面涵蓋的書籍，由專精於該領域富有創新性與創造力的研究人員撰寫。本書會是今後幾年的重要參考書。」
──Yann LeCun，Facebook AI研究主管；New York大學電腦科學(資訊科學)、資料科學與神經科學的教授。

深度學習是一種機器學習，透過概念階層方式，讓電腦從經驗中學習，進而理解世界。由於可利用經驗累積知識，因此無須人為操控來指定電腦所需的全部知識。概念階層容許電腦經由簡單概念建置與學習更複雜的概念，其中組成的階層圖會呈現出多層深度框架。本書內容涵蓋廣泛的深度學習主題。

本書是以數學與概念為基底，涵蓋線性代數、機率論與資訊理論、數值計算以及機器學習等相關概念。書中將論述業界實作者與行家們使用的深度學習技術，包括深度前饋網路、正則化、優化演算法、卷積網路、序列建模與實務方法；同時討論概括論述相關應用，如自然語言處理、語音辨識、電腦視覺、線上推薦系統、生物資訊與電玩遊戲等。本書提供諸多研究觀點，包含線性因子模型、自動編碼器、表徵學習、結構化機率模型、蒙地卡羅法、配分函數、近似推論與深度生成模型等理論項目。

本書適合打算投入深度學習業界或研究領域的大學生與研究生，以及想要在資訊產品或平台中納入深度學習技術的軟體工程師閱讀。

本書的網站資源
致謝
數學符號
chapter 01 緒論
【PART I 應用數學與機器學習基礎】
chapter 02 線性代數
chapter 03 機率與資訊理論
chapter 04 數值計算
chapter 05 機器學習基礎
【PART II 深度網路：現代實務】
chapter 06 深度前饋網路
chapter 07 深度學習的正則化
chapter 08 深度模型的訓練優化
chapter 09 卷積網路
chapter 10 序列建模：循環網路與遞迴網路
chapter 11 實務方法論
chapter 12 應用
【PART III 深度學習研究】
chapter 13 線性因子模型
chapter 14 自動編碼器
chapter 15 表徵學習
chapter 16 深度學習的結構化機率模型
chapter 17 蒙地卡羅法
chapter 18 面對配分函數
chapter 19 近似推論
chapter 20 深度生成模型
參考文獻
索引