前言



【第一部分 機器學習的基本概念】



第一章 機器學習全景

何謂機器學習？

為什麼要使用機器學習？

應用範例

機器學習系統的類型

ML的主要挑戰

測試與驗證

習題



第二章 機器學習專案的完整流程

使用真實的資料

瞭解大局

取得資料

探索資料並將資料視覺化以獲得見解

為ML演算法準備資料

選擇並訓練模型

微調你的模型

上線、監視與維護你的系統

大膽嘗試吧！

習題



第三章 分類

MNIST

訓練二元分類器

效能指標

多類別分類

錯誤分析

多標籤分類

多輸出分類

習題



第四章 訓練模型

線性回歸

梯度下降

多項式回歸

學習曲線

正則化線性模型

Logistic回歸

習題



第五章 決策樹

訓練與視覺化決策樹

進行預測

估計類別機率

CART訓練演算法

計算複雜度

使用Gini不純度還是entropy？

正則化超參數

回歸

對方向敏感

決策樹有高變異性

習題



第六章 集成學習與隨機森林

投票分類器

Bagging與Pasting

隨機森林

Boosting

Stacking

習題



第七章 降維

維數詛咒

降維的主要方法

PCA

隨機投影

LLE

其他的降維技術

習題



第八章 無監督學習技術

分群演算法：k-means與DBSCAN

高斯混合

習題



【第二部分 神經網路與神度學習】



第九章 人工神經網路導論

從生物神經元到人工神經元

使用Scikit-Learn來建構與訓練MLPs

超參數調整指南

習題



第十章 使用PyTorch來建構神經網路

PyTorch基礎

實作線性回歸

實作回歸MLP

使用DataLoader來實作小批次梯度下降

模型評估

使用自訂模組來建立非sequential模型

使用PyTorch來建立圖像分類器

微調神經網路超參數：使用Optuna

儲存與載入PyTorch模型

編譯與最佳化PyTorch模型

習題



第十一章 訓練深度神經網路

梯度消失�爆炸問題

重複使用預訓層

更快的optimizer

學習率排程

透過正則化來避免過度擬合

實務指南

習題



第十二章 深度電腦視覺：使用摺積神經網路

視覺皮層的架構

摺積層

池化層

使用PyTorch來實作池化層

CNN架構

使用PyTorch來實作ResNet-34 CNN

使用TorchVision的預訓模型

用來執行遷移學習的預訓模型

分類與定位

物體偵測

物體追蹤

語意分割

習題



第十三章 使用RNN與CNN來處理序列

遞迴神經元與階層

訓練RNN

預測時間序列

處理長序列

習題



第十四章 使用RNN與注意力機制來處理自然語言

使用字元RNN來產生莎士比亞風格的句子

使用Hugging Face程式庫來分析情感

用於神經機器翻譯的Encoder-Decoder網路

Beam Search

注意力機制

習題



第十五章 使用Transformer來執行NLP與製作聊天機器人

Attention Is All You Need：原始的Transformer架構

建構可將英文翻譯成西班牙文的Transformer

用Encoder-Only Transformer來理解自然語言

Decoder-Only Transformers

將大型語言模型變成聊天機器人

Encoder-Decoder模型

習題



第十六章 視覺與多模態Transformer

視覺Transformer

多模態Transformers

其他的多模態模型

習題



第十七章 加速Transformer



第十八章 自編碼器、GAN與擴散模型

有效率的資料表徵

使用欠完備的線性自編碼器來執行PCA

堆疊式自編碼器

摺積自編碼器

去雜訊自編碼器

稀疏自編碼器

變分自編碼器

生成Fashion MNIST圖像

生成對抗網路

擴散模型

習題



第十九章 強化學習

什麼是強化學習？

策略梯度

基於價值的方法

Actor-Critic演算法

使用Stable-Baselines3 PPO來訓練

Atari打磚塊遊戲大師

一些常見RL的演算法

習題

Thank You!



附錄A自動微分

附錄B混合精度與量化

索引