前言
為何撰寫本書
從事機器學習教育訓練已屆四年，其間也在『IT邦幫忙』撰寫上百篇的文章(https://ithelp.ithome.com.tw/users/20001976/articles)，從學員及讀者的回饋獲得許多寶貴意見，期望能將整個歷程集結成冊，同時，相關領域的進展也在飛速變化，過往的文章內容需要翻新，因此藉機再重整思緒，想一想如何能將演算法的原理解釋得更簡易清晰，協助讀者跨入AI的門檻，另外，也避免流於空談，盡量增加應用範例，希望能達到即學即用，不要有過多理論的探討。
AI是一個將資料轉化為知識的過程，演算法就是過程中的生產設備，最後產出物是模型，再將模型植入各種硬體裝置，例如電腦、手機、智慧音箱、自駕車、醫療診斷儀器等，這些裝置就擁有特殊專長的智慧，再進一步整合各項技術就構建出智慧製造、智慧金融、智慧交通、智慧醫療、智慧城市、智慧家庭等應用系統。AI的應用領域如此的廣闊，個人精力有限，當然不可能具備十八般武藝，樣樣精通，惟有從基礎紮根，再擴及有興趣的領域，因此，筆者撰寫這本書的初衷，非常單純，就是希望讀者在紮根的過程中，貢獻一點微薄的力量。
本書主要的特點
1.由於筆者身為統計人，希望能『以統計/數學為出發點』，介紹深度學習必備的數理基礎，但又不希望內文有太多數學公式的推導，讓離開校園已久的在職者看到一堆數學符號就心生恐懼，因此，嘗試以『程式設計取代定理證明』，縮短學習歷程，增進學習樂趣。
2.TensorFlow 2.x版有巨大的變動，預設模式改為Eager Execution，並以Keras為主力，整合TensorFlow其他模組，形成完整的架構，本書期望對TensorFlow架構作完整性的介紹，並非只是介紹Keras而已。
3.演算法介紹以理解為主，輔以大量圖表說明，摒棄長篇大論。
4.完整的範例程式及各種演算法的延伸應用，以實用為要，希望能觸發讀者靈感，能在專案或產品內應用。
5.介紹日益普及的演算法與相關套件的使用，例如YOLO(物件偵測)、GAN(生成對抗網路)/DeepFake(深度偽造)、OCR(辨識圖像中的文字)、臉部辨識、BERT/Transformer、ChatBot、強化學習、自動語音辨識(ASR)等。
目標對象
1.深度學習的入門者：必須熟悉Python程式語言及機器學習基本概念。
2.資料工程師：以應用系統開發為職志，希望能應用各種演算法，進行實作。
3.資訊工作者：希望能擴展深度學習知識領域。
4.從事其他領域的工作，希望能一窺深度學習奧秘者。
閱讀重點
1.第一章介紹AI的發展趨勢，鑑古知今，瞭解前兩波AI失敗的原因，比較第三波發展的差異性。
2.第二章介紹深度學習必備的統計/數學基礎，不僅要理解相關知識，也力求能撰寫程式解題。
3.第三章介紹TensorFlow基本功能，包括張量(Tensor)運算、自動微分及神經網路模型的組成，並說明梯度下降法求解的過程。
4.第四章開始實作，依照機器學習10項流程，撰寫完整的範例，包括Web、桌面程式。
5.第五章介紹TensorFlow進階功能，包括各種工具，如TensorBoard、TensorFlow Serving、Callbacks。
6.第六~十章介紹圖像/視訊的演算法及各式應用。
7.第十一~十四章介紹自然語言處理、語音及各式應用。
8.第十五章介紹AlphaGo的基礎 -- 『強化學習』演算法。
本書範例程式碼全部收錄在 https://github.com/mc6666/DL_Book 。
致謝
原本只想整理過往文章集結成書，沒想到相關技術發展太快，幾乎全部重寫，結果比預計時程多花了三倍的時間才完成，但因個人能力有限，還是有許多議題成為遺珠之憾，仍待後續的努力，過程中要感謝冠瑀、琮文在編輯/校正/封面構想的盡心協助，也感謝深智出版社的大力支援，使本書得以順利出版，最後要藉此書，紀念一位摯愛的親人。
內容如有疏漏、謬誤或有其他建議，歡迎來信指教(
[email protected])。
