第1章｜人工智慧的基礎知識

01 何謂人工智慧？

02 何謂機器學習（ML）？

03 何謂深度學習（DL）？

04 人工智慧與機器學習的普及過程



第2章｜機器學習的基礎知識

05 監督式學習的機制

06 非監督式學習的機制

07 增強學習的機制

08 統計與機器學習的差異

09 機器學習與特徵量

10 擅長與不擅長的領域

11 機器學習的運用範例



第3章｜機器學習的程序與核心技術

12 機器學習的基本工作程序

13 蒐集資料

14 資料變形

15 模型的作成與學習

16 批次學習與線上學習

17 使用測試資料驗證預測結果

18 學習結果的評估基準

19 超參數與模型的調整

20 主動學習

21 相關與因果

22 反饋迴圈



第4章｜機器學習的演算法

23 迴歸分析

24 支援向量機

25 決策樹

26 整體學習

27 整體學習的運用

28 邏輯迴歸

29 貝葉斯模型

30 時序分析與狀態空間模型

31 K 近鄰法（K-NN）與 K 平均法（K-Means）

32 維度縮減與主成分分析

33 最佳化與遺傳演算法



第5章｜深度學習的基礎知識

34 類神經網路與其歷史

35 深度學習與圖像辨識

36 深度學習與自然語言處理



第6章｜深度學習的程序與核心技術

37 誤差反向傳播法的類神經網路學習

38 類神經網路的最佳化

39 梯度消失問題

40 遷移學習



第7章｜深度學習的演算法

41 卷積類神經網路（CNN）

42 遞歸類神經網路（RNN）

43 增強學習與深度學習

44 自動編碼器

45 GAN（生成對抗網路）

46 物體偵測



第8章｜系統開發與開發環境

47 編寫人工智慧的主要程式語言

48 機器學習用資料庫與框架

49 深度學習的框架

50 GPU程式設計與高速化

51 機器學習服務

序



　　近年，出現愈來愈多不需要機器學習資料庫、程式設計的機器學習服務，即便不是這方面的專家，只要準備好資料利用這類服務，就能夠獲得相應的結果。然而，明明不清楚機器學習演算法是如何運行，卻毫無根據地相信跑出的結果，將其用於重要的商業場景上，不得不說是相當危險的情況。一般的IT工程學會兼顧初學者與熟練者，網羅各種網路文章、專業書籍的解說。然而，在機器學習的習得上，網路文章通常給人偏重「容易閱讀」的印象，但有許多文章省略了必要的說明，難以讓人扎實地理解機器學習。而專業書籍的解說，又使用了大量的數學公式，這對以成為AI工程師為目標的人來說，進入的門檻相當高。



　　本書採取折衷的做法，不是堆砌數學式進行艱難的解說，而是藉由示例、插圖用簡單易懂的方式講解，盡可能正確表達AI工程師必須理解的知識。期望各位能夠透過本書，觸及機器學習的趣味與可能性，進而踏入機器學習的世界當中。