正宗Keras大神著作再次降臨！
近10年來，深度學習為人工智慧領域帶來了出色的進展，也解鎖了許多有趣的新功能，如：機器翻譯、影像識別、物體定位等不一而足。毫不誇張地說，深度學習已迅速成為每位軟體開發者必備的武器。此外，諸如Keras和TensorFlow等先進的工具，也消除了普通人與深度學習之間的隔閡。即使你只有高中程度的數學知識，且甚至沒有資料科學的相關背景，也依舊可以透過這些工具來建構有趣的深度學習應用。
本書由 Keras 創始者親自撰寫，沒人比他更了解Keras這套工具，雖然如此，但這並不是一本 Keras 的使用手冊，而是帶你從頭開始探索深度學習，進而拓展對深度學習理解的經典之作。你也將從中明瞭解決機器學習問題的標準作業流程，以及未來實務上如何克服可能遇到的問題。
本書前一版在全世界都獲得非常高的評價，並被翻譯成12種語言，到現在仍是技術社群推薦必讀的深度學習入門書。不過深度學習技術在這短短幾年有巨大的進展，因此第二版作者新增了許多常見任務的實作專案，例如：影像分割、時間序列預測、機器翻譯等。另外，作者還加入了當前熱門技術的介紹，如attention機制、Transformer架構、KerasTuner等，並搭配實作案例來加深讀者的理解。
由於第二版的內容修改幅度極大，因此中文版重新編譯，由業內專家進行翻譯、審閱，在專有名詞的說法和敘述，都更加符合國內業界的習慣用語。無論你是從業中的機器學習工程師、軟體開發人員，還是資訊科系學生，本書的內容都會對你有所幫助。
本書特色:
☆全面採用最新的Tensorflow × Keras版本
☆Keras創始者親筆之作，以自身經驗分享深度學習的門道
☆從做中學，各章皆搭配豐富專案實作，不會只是紙上談兵
☆延續第一版的紮實基礎內容，新增了當前最熱門的技術，讓讀者可以更上一層樓
■卷積神經網路
■殘差連接
■變分自編碼器(VAE)
■self-attention機制
■Transformer架構
■KerasTuner超參數調校
■模型集成
■混合精度訓練 等等
☆本書由施威銘研究室監修，書中針對原書進行大量補充，並適當添加註解，幫助讀者更好地理解內容
名人推薦
【重磅推薦】
「掌握本質， 了解其所能與不能， 是面對技術快速迭代、世局難以預測的鑰匙。本書就是開啟深度學習的一把鑰匙。」
——鴻海研究院執行長 李維斌
「對於想熟悉 Keras和Tensorflow的技術人來說， 是一本極佳的入門學習書， 而對於不熟悉技術只想一窺門道的人來說， 結構井然的邏輯和極為通暢易讀的寫作方式， 大大降低了非技術出身如我輩的學習門檻。」
——台灣人工智慧科技基金會執行長 溫怡玲
「Keras大神親自出手將最新的發展及其具體應用範例帶到我們面前， 在AI產業界來說， 這是極其重要的大事， 不可等閒視之， 而且是由在 AI領域著墨很深、實踐經驗豐富的黃逸華數據長主持翻譯與審閱工作， 更讓我們充滿期待。」
——台灣人工智慧協會副理事長 黃國寶
「大神再次出手， 這是AI產業化的高光時刻， 很榮幸可以參與這場盛事， 也謝謝您的關注。」
——華實智造科技有限公司數據長 黃逸華
作者
François Chollet
François Chollet是 Keras(最為廣泛使用的深度學習框架之一)的創始者。他目前是 Google 的軟體工程師，領導著 Keras 團隊。另外，他也從事抽象、推理，以及如何在人工智慧領域中實現更強普適性等方面的研究。
目錄
目錄:
★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
