|Chapter 01| 神經網路之概念?

1.1 神經網路模型簡介

1.2 神經網路模型運作解析

1.3 模型訓練的資訊

1.4 神經網路工作程序

1.5 應考須知

1.6 如何使用本書範例檔



|Chapter 02| 結構化資料的分類辨識

2.1 傳統的分類辨識方法

2.2 神經網路模型的分類辨識方法



|Chapter 03| 迴歸分析?

3.1 傳統迴歸分析法

3.2 神經網路模型在簡單迴歸分析的用法

3.3 神經網路模型在多元迴歸分析的用法



|Chapter 04| 圖像辨識?

4.1 圖像基本原理?

4.2 圖片及影片的基本操作

4.3 傳統圖像辨識法的缺點

4.4 卷積神經網路說明

4.5 在TensorFlow中使用卷積層

4.6 在TensorFlow中使用池化層與展平層

4.7 卷積層與池化層的種類

4.8 開放數據集



|Chapter 05| 圖像資料的擴增

5.1 圖像擴增的意義?

5.2 圖像擴增的方法?

5.3 圖檔之讀取與分類?

5.4 圖像資料產生器的特殊用途之一

5.5 圖像資料產生器的特殊用途之二



|Chapter 06| 預訓練模型的使用?

6.1 預訓練模型簡介

6.2 預訓練模型的用法之一

6.3 預訓練模型的用法之二?

6.4 預訓練模型的用法之三?

6.5 預訓練模型的比較?

6.6 遷移學習原理



|Chapter 07| 時間數列預測

7.1 時間數列的類型?

7.2 時間數列預測法?

7.3 時間數列預測步驟?

7.4 時間步與時間數列之切割

7.5 循環神經網路的模式?

7.6 循環神經網路之原理

7.7 循環神經網路的關鍵參數



|Chapter 08| 文本分類?

8.1 文本處理步驟?

8.2 移除停用詞?

8.3 斷詞器?

8.4 嵌入層與詞向量

8.5 預訓練的詞向量

8.6 文本分類的意義與程序

8.7 文本分類資料集簡介

8.8 文本預訓練模型之運用

8.9 文本分類的進階處理



|Chapter 09| 文本生成?

9.1 文本生成概要?

9.2 文本預處理?

9.3 建構模型兩種?

9.4 文本生成自訂函數

9.5 文本生成之斷句

9.6 自然語言處理的新發展



|附 錄|（附錄內容請至博碩官網下載）

附錄A 觀念解析

附錄B Google Colab使用方法

附錄C 範例檔清單_程式結構_套件版本