圖解AI與深度學習的運作機制

第1章 活躍中的深度學習
開啟AI時代的深度學習
深度學習與AI
機器學習與深度學習
深度學習的本質與特徵抽出
監督學習與非監督學習
圖像解析與深度學習
語音識別與深度學習
與Big Data十分契合的深度學習
撐起第四次工業革命的深度學習
 
第2章 用圖說明深度學習的機制
從神經元開始談起
用神經元機器人來說明
將神經元機器人排成一層層
神經網路產生智慧的機制
神經網路的「學習」是什麼意思
用圖說明什麼是卷積神經網路
用圖說明什麼是遞迴神經網路
 
第3章 說明深度學習之前的準備
Sigmoid函數
資料分析時的模型與參數
理論與實際的誤差
 
第4章 了解什麼是神經網路
以數學式表示神經元的運作方式
單元與活化函數
Sigmoid神經元
神經網路的實例
神經網路各層的運作方式與變數符號
神經網路的目標函數
神經網路的「學習」
對神經網路「學習」結果的解釋
 
第5章 了解卷積神經網路的機制
卷積神經網路的準備
卷積神經網路的輸入層
卷積神經網路的卷積層
 
 
卷積神經網路的池化層
卷積神經網路的輸出層
卷積神經網路的目標函數
卷積神經網路的「學習」
對卷積神經網路「學習」結果的解釋
測試卷積神經網路
 
第6章 了解遞迴神經網路的機制
遞迴神經網路的概念
遞迴神經網路的展開圖
遞迴神經網路中各層的運作機制
用數學式表示遞迴神經網路
遞迴神經網路的目標函數
遞迴神經網路的「學習」
 
第7章 了解誤差反向傳播法的機制
誤差反向傳播法是最佳化計算的基礎
誤差反向轉播法（Backpropagation法）的機制
用Excel體驗誤差反向傳播法
用Python體驗誤差反向傳播法
 
附錄
本書使用的訓練資料（Ⅰ）
本書使用的訓練資料（Ⅱ）
VBA的使用方式
新增規劃求解功能
在Windows 10使用命令提示字元的方法
Python安裝方法
微分的基礎知識
多變數函數的近似公式與梯度
卷積在數學上的意義
單元的誤差與梯度的關係
單元的誤差與各層間的關係
 
索引
 

前言

　　在報紙或電視節目上，幾乎每天都會提到與AI（人工智慧）、AI機器人有關的話題。

　　「AI贏了職業棋士。」
　　「AI從電腦斷層圖像判斷癌細胞的能力比經驗豐富的醫師還要厲害。」
　　「機器人聽得懂人話，會指引路線。」
　　「AI自動駕駛將在汽車業界引起革命。」

　　想必各位應該也聽過其中幾個類似的報導吧。甚至還有更極端的報導會提到「AI將搶走我們的工作」之類的問題，或者預測「到了2045年，人工智慧將超過人類的智慧」之類「科技奇點」的發生。將本來是科幻電影才會出現的情節，說得像是會在現實中發生一樣。

　　在這樣的時代，了解AI的運作機制成為相當重要的課題。不知道AI的運作機制卻讓AI幫我們診斷疾病、搭乘自動駕駛的汽車，或是和不知道在想些什麼的機器人一起工作，各位應該也會覺得有些不舒服吧。另外，「AI將造成大量失業」這樣的恐嚇，也會使我們對AI產生不必要的恐懼。

　　「深度學習」帶起了現代AI的熱潮，而本書則是解說其運作機制的入門書。書中搭配了許多解說用的圖表，只要有高中程度的數學知識就可以充分理解AI的思考方式，讓各位讀者在閱讀本書時，實際體會到「原來AI是這樣思考、這樣做出判斷的！」。

　　如果不去提數學上的細節，其實深度學習的原理並不困難。如果本書能夠幫助各位了解深度學習的概念，那就太棒了。

　　最後，本書得以完成，要感謝從本書的企劃到付梓過程中給予指導的Beret出版坂東一郎先生，以及編集工房Shirakusa的畑中隆先生，在此致上謝意。