STEP 1 常態分布?
1.1 機率的基本知識?
1.2 常態分布?
1.3 中央極限定理?
1.4 樣本和的機率分布?
1.5 我們身邊的常態分布?
STEP 2 最大概似估計?
2.1 生成模型概要?
2.2 建構使用了實際資料的生成模型?
2.3 最大概似估計的理論?
2.4 生成模型的用途?
STEP 3 多維常態分布?
3.1 NumPy 與多維陣列?
3.2 多維常態分布?
3.3 將二維常態分布視覺化?
3.4 多維常態分布的最大概似估計?
STEP 4 高斯混合模型?
4.1 生活中的多峰分布?
4.2 高斯混合模型的資料生成?
4.3 高斯混合模型的公式?
4.4 參數估計的難處?
STEP 5 EM 演算法?
5.1 KL 散度?
5.2 導出 EM 演算法 ??
5.3 導出 EM 演算法 ??
5.4 GMM 與 EM 演算法?
5.5 EM 演算法實作?
STEP 6 類神經網路?
6.1 PyTorch 與梯度法?
6.2 線性迴歸?
6.3 參數與優化器?
6.4 類神經網路實作?
6.5 torchvision 與資料集?
STEP 7 變分自編碼器（VAE）?
7.1 VAE 與解碼器?
7.2 VAE 與編碼器?
7.3 ELBO 的最佳化?
7.4 VAE 實作?
STEP 8 擴散模型的理論?
8.1 由 VAE 進化成擴散模型?
8.2 擴散過程與反向擴散過程?
8.3 計算 ELBO ??
8.4 計算 ELBO ??
8.5 計算 ELBO ??
8.6 擴散模型的學習?
STEP 9 擴散模型實作?
9.1 U-Net?
9.2 正弦波位置編碼?
9.3 擴散過程?
9.4 生成資料?
9.5 擴散模型的學習（實作篇）?
STEP 10 擴散模型的應用?
10.1 條件擴散模型?
10.2 score 函數?
10.3 分類器引導?
10.4 無分類器引導?
10.5 Stable Diffusion?
附錄A 導出多維常態分布的最大概似估計?
附錄B 詹森不等式?
附錄C 階層型VAE 的理論與實作?
附錄D 公式符號說明
