深度學習詳解｜台大李宏毅老師機器學習課程精粹 王琦、楊毅遠、江季
產品編號：9786264250801
促銷 團購優惠-碁峰 出版社
促銷 下單就送小禮物
購物每消費滿300元，可獲得1元購物金
網路價
NT${{ commaFormat(product.price_actu) }}
NT${{commaFormat(product.price_sugg)}}
專屬特惠價 NT${{ commaFormat(product.group_price) }}
優惠價
NT${{ commaFormat(product.member_price) }}
NT${{ commaFormat(product.group_price) }}
商品組合
贈品 (買就送)
{{ pItem.title }}
付款方式
轉帳/匯款/無摺存款 / LinePay付款 / 超商代碼付款(綠界金流) / 信用卡一次付清(綠界金流) / AFTEE 先享後付 / [圖書專用] 7-11取貨付款
配送方式
7-11超商取貨 / 全家超商取貨 / 宅配到家 / 校園門市店到店取貨(需7~10個工作天，急用勿選)
超值加購
{{ pItem.title }}
型號:{{ pItem.model }}
加購價 NT${{pItem.extra_price}}
(原價NT${{pItem.price_orig}})
加購數量
已搶購一空
出版商:碁峰
出版日期:2025-06-09
語言:繁體中文
頁數:456
ISBN-13:
9786264250801
【內容】
台灣大學電機工程學系 李宏毅教授 ～專文推薦～
很高興看到Datawhale的王琦、楊毅遠、江季等同學將我的線上錄影轉化為可閱讀的教材，他們的努力使我的教學內容能接觸更多學子。希望這本書能幫助更多人探索深度學習領域，激發更多學子對這個領域的興趣和熱情。
■ 名師授課精華，一本掌握深度學習核心觀念
台灣大學電機工程學系李宏毅教授開設的「機器學習」與「生成式AI」課程在YouTube上廣受歡迎，累積超過30萬訂閱，影響力橫跨學界與業界。
本書依據李宏毅教授「機器學習」課程中與深度學習相關的內容編寫，並融合近年課程更新重點，為AI學習者提供最完整、最系統化的深度學習知識架構。
■ 從基礎到進階，完整呈現深度學習關鍵知識
內容包括了深度學習的基礎知識、類神經網路的訓練技巧、生成模型、自監督學習（包括 BERT 和 GPT）、擴散模型、元學習、神經網路壓縮等。此外，還探討了如何解決類神經網路訓練中的常見問題，如局部最小值、鞍點、批次與動量、自動調整學習速率等。
■ 理論實務兼具，打造易懂又實用的學習體驗
在理論嚴謹的基礎上，本書保留了課程中大量生動有趣的例子，幫助讀者從生活化的角度瞭解深度學習的概念、建模過程與核心演算法細節。適合對深度學習感興趣，想要入門深度學習的讀者閱讀，更可作為深度學習相關課程的教材。
【目錄】
chapter 1 機器學習基礎
1.1 案例學習
1.2 線性模型
chapter 2 實踐方法論
2.1 模型偏差
2.2 最佳化問題
2.3 過擬合
2.4 交叉驗證
2.5 不匹配
chapter 3 深度學習基礎
3.1 局部最小值與鞍點
3.2 批次和動量
3.3 自適化學習率
3.4 學習率排程
3.5 最佳化總結
3.6 分類
3.7 批次正規化
chapter 4 卷積神經網路
4.1 觀察 1：檢測模式不需要整幅圖片
4.2 簡化 1：感知域
4.3 觀察 2：同樣的模式可能出現在圖片的不同區域
4.4 簡化 2：共用參數
4.5 簡化 1 和簡化 2 的總結
4.6 觀察 3：降取樣不影響模式檢測
4.7 簡化 3：池化
4.8 卷積神經網路的應用：下圍棋
chapter 5 遞迴神經網路
5.1 獨熱編碼
5.2 什麼是 RNN
5.3 RNN 架構
5.4 其他 RNN
5.5 LSTM 網路原理
5.6 RNN 的學習方式
5.7 如何解決 RNN 的梯度消失或梯度爆炸問題
5.8 RNN 的其他應用
chapter 6 自注意力機制
6.1 輸入是向量序列的情況
6.2 自注意力機制的運作原理
6.3 多頭自注意力
6.4 位置編碼
6.5 截斷自注意力
6.6 對比自注意力與卷積神經網路
6.7 對比自注意力與遞迴神經網路
chapter 7 Transformer
7.1 序列到序列模型
7.2 Transformer 結構
7.3 Transformer 編碼器
7.4 Transformer 解碼器
7.5 編碼器—解碼器注意力
7.6 Transformer 的訓練過程
7.7 序列到序列模型訓練常用技巧
chapter 8 生成模型
8.1 生成對抗網路
8.2 生成器與判別器的訓練過程
8.3 GAN 的應用案例
8.4 GAN 的理論介紹
8.5 WGAN 演算法
8.6 GAN 訓練的困難點與技巧
8.7 GAN 的效能評估方法
8.8 條件型生成
8.9 CycleGAN
chapter 9 擴散模型
9.1 擴散模型產生圖片的過程
9.2 降噪模組
9.3 訓練雜訊預測器
chapter 10 自監督學習
10.1 BERT
10.2 GPT
chapter 11 自動編碼器
11.1 自動編碼器的概念
11.2 為什麼需要自動編碼器
11.3 降噪自動編碼器
11.4 自動編碼器應用之特徵解離
11.5 自動編碼器應用之離散隱性表徵
11.6 自動編碼器的其他應用
chapter 12 對抗式攻擊
12.1 對抗式攻擊簡介
12.2 如何進行網路攻擊
12.3 快速梯度符號法
12.4 白箱攻擊與黑箱攻擊
12.5 其他模態資料被攻擊案例
12.6 現實世界中的攻擊
12.7 防禦方式中的被動防禦
12.8 防禦方式中的主動防禦
chapter 13 轉移學習
13.1 領域偏移
13.2 領域自適應
13.3 領域概化
chapter 14 增強式學習
14.1 增強式學習的應用
14.2 增強式學習框架
14.3 評價動作的標準
chapter 15 元學習
15.1 元學習的概念
15.2 元學習的三個步驟
15.3 元學習與機器學習
15.4 元學習的實例演算法
15.5 元學習的應用
chapter 16 終身學習
16.1 災難性遺忘
16.2 終身學習的評估方法
16.3 終身學習問題的主要解法
1chapter 17 網路壓縮
17.1 網路修剪
17.2 知識蒸餾
17.3 參數量化
17.4 網路架構設計
17.5 動態計算
chapter 18 可解釋性機器學習
18.1 可解釋性人工智慧的重要性
18.2 決策樹模型的可解釋性
18.3 可解釋性機器學習的目標
18.4 可解釋性機器學習中的局部解釋
18.5 可解釋性機器學習中的全局解釋
18.6 擴充與小結
chapter 19 ChatGPT
19.1 ChatGPT 簡介和功能
19.2 對 ChatGPT 的誤解
19.3 ChatGPT 背後的關鍵技術—預訓練
19.4 ChatGPT 帶來的研究問題
chapter 1 機器學習基礎
1.1 案例學習
1.2 線性模型
chapter 2 實踐方法論
2.1 模型偏差
2.2 最佳化問題
2.3 過擬合
2.4 交叉驗證
2.5 不匹配
chapter 3 深度學習基礎
3.1 局部最小值與鞍點
3.2 批次和動量
3.3 自適化學習率
3.4 學習率排程
3.5 最佳化總結
3.6 分類
3.7 批次正規化
chapter 4 卷積神經網路
4.1 觀察 1：檢測模式不需要整幅圖片
4.2 簡化 1：感知域
4.3 觀察 2：同樣的模式可能出現在圖片的不同區域
4.4 簡化 2：共用參數
4.5 簡化 1 和簡化 2 的總結
4.6 觀察 3：降取樣不影響模式檢測
4.7 簡化 3：池化
4.8 卷積神經網路的應用：下圍棋
chapter 5 遞迴神經網路
5.1 獨熱編碼
5.2 什麼是 RNN
5.3 RNN 架構
5.4 其他 RNN
5.5 LSTM 網路原理
5.6 RNN 的學習方式
5.7 如何解決 RNN 的梯度消失或梯度爆炸問題
5.8 RNN 的其他應用
chapter 6 自注意力機制
6.1 輸入是向量序列的情況
6.2 自注意力機制的運作原理
6.3 多頭自注意力
6.4 位置編碼
6.5 截斷自注意力
6.6 對比自注意力與卷積神經網路
6.7 對比自注意力與遞迴神經網路
chapter 7 Transformer
7.1 序列到序列模型
7.2 Transformer 結構
7.3 Transformer 編碼器
7.4 Transformer 解碼器
7.5 編碼器—解碼器注意力
7.6 Transformer 的訓練過程
7.7 序列到序列模型訓練常用技巧
chapter 8 生成模型
8.1 生成對抗網路
8.2 生成器與判別器的訓練過程
8.3 GAN 的應用案例
8.4 GAN 的理論介紹
8.5 WGAN 演算法
8.6 GAN 訓練的困難點與技巧
8.7 GAN 的效能評估方法
8.8 條件型生成
8.9 CycleGAN
chapter 9 擴散模型
9.1 擴散模型產生圖片的過程
9.2 降噪模組
9.3 訓練雜訊預測器
chapter 10 自監督學習
10.1 BERT
10.2 GPT
chapter 11 自動編碼器
11.1 自動編碼器的概念
11.2 為什麼需要自動編碼器
11.3 降噪自動編碼器
11.4 自動編碼器應用之特徵解離
11.5 自動編碼器應用之離散隱性表徵
11.6 自動編碼器的其他應用
chapter 12 對抗式攻擊
12.1 對抗式攻擊簡介
12.2 如何進行網路攻擊
12.3 快速梯度符號法
12.4 白箱攻擊與黑箱攻擊
12.5 其他模態資料被攻擊案例
12.6 現實世界中的攻擊
12.7 防禦方式中的被動防禦
12.8 防禦方式中的主動防禦
chapter 13 轉移學習
13.1 領域偏移
13.2 領域自適應
13.3 領域概化
chapter 14 增強式學習
14.1 增強式學習的應用
14.2 增強式學習框架
14.3 評價動作的標準
chapter 15 元學習
15.1 元學習的概念
15.2 元學習的三個步驟
15.3 元學習與機器學習
15.4 元學習的實例演算法
15.5 元學習的應用
chapter 16 終身學習
16.1 災難性遺忘
16.2 終身學習的評估方法
16.3 終身學習問題的主要解法
1chapter 17 網路壓縮
17.1 網路修剪
17.2 知識蒸餾
17.3 參數量化
17.4 網路架構設計
17.5 動態計算
chapter 18 可解釋性機器學習
18.1 可解釋性人工智慧的重要性
18.2 決策樹模型的可解釋性
18.3 可解釋性機器學習的目標
18.4 可解釋性機器學習中的局部解釋
18.5 可解釋性機器學習中的全局解釋
18.6 擴充與小結
chapter 19 ChatGPT
19.1 ChatGPT 簡介和功能
19.2 對 ChatGPT 的誤解
19.3 ChatGPT 背後的關鍵技術—預訓練
19.4 ChatGPT 帶來的研究問題
【關於教科書訂購說明】
☆ 單本即有折扣，將商品放入購物車就可以看見優惠價唷！五本以上團購更便宜！加入會員訂購，還可累積購物金！
★ 若有急需用書，可先LINE私訊詢問庫存呦~
☆ 出貨時間：有現貨的，2個工作日內出貨；無現貨，約3~5個工作日 出貨
【寄送方式說明】
❶ 實體門市取貨
全台麗文校園書局皆可取貨，貨到書局將會以簡訊通知。
❷ 超商取貨
提供7-11及全家超商取貨(需先付款，無貨到付款)。
❸ 一般宅配
本公司主要與黑貓宅急便配合，送達到您指定的地址。
※當您於本網站消費交易完成後，電子發票將會以電子郵件寄給您；如需紙本發票請於下訂時於備註欄位說明。
【付款方式說明】
❶ ATM轉帳、匯款
銀行│第一銀行-三民分行
代號│007
戶名│麗文文化事業股份有限公司
帳號│704-10-051861
※實體ATM每日轉帳最高限額為3萬，若訂購金額超過3萬元，請分兩天或是使用不同的銀行帳戶轉帳。
❷ 信用卡（可分期，需負擔手續費）
凡各家銀行的VISA、MASTER、Union Pay、JCB信用卡皆可使用。
❺ 超商代碼
系統會發送繳費代碼至您的電子信箱，需自行至「超商機器ex：iBon」輸入代碼，產生繳費單後前往櫃檯繳費。
❼ 免卡分期
麗文校園購與「zingala銀角零卡」「第一資融」以及「皮路後支付」合作，讓您免用信用卡就可以購物。
如有使用上的問題，可以先與揪小編聯絡唷！。
※請注意：超過7天未付款之訂單則訂單自動失效；免卡分期訂單成立起7天內未主動聯繫亦同。
【其他說明】
❶關於出貨
1.商品為不缺貨前提下，訂單完成付款後2-4個工作天將會出貨(不含例假日及國定假日)；若商品缺貨則須等待1-2週。
2.麗文校園揪來玩保留訂單接受與否權利，若因交易條件有誤或有其他情形導致我們無法接受您的訂單，將以E-mail發送取消訂單通知給您，造成不便敬請見諒。
❷關於退貨
1.非門市現場消費享有七天猶豫期，收到商品當天往後算七天內若是決定不買，則協助不要拆封，一拆封視同願意購買。
2.若真的決定不購買商品要退貨，請聯繫我們LINE線上客服，我們會盡速為您處理。
❸關於新品瑕疵與維修保固
1.全新商品享有購買七日內，新品瑕疵的換新保障；但新品瑕疵與否，是由商品代理商或原廠所判定，麗文校園揪來玩僅能依據判定的結果給予協助。若是原廠判定非新品瑕疵則無法換新，需改為維修的方式處理。
2.新品瑕疵換新的作業時間，將依各廠商的流程而定，最快2個工作天，慢的話也可能需要到15個工作天。
3.購買超過七日後，維修服務由原廠提供。如有需要維修，麗文校園揪來玩可以代為送修，但送修如需運費時（EX:原廠沒有提供免費收件服務），則需由您負擔送修的運費（運費約為100元起，因商品大小而異）。
【華碩的維修服務】
