精確掌握 AI 大趨勢！深度學習技術解密：日本 AI 神人，帶你正確學會從機器學習到生成式 AI 的核心基礎

　　▍獨角獸新創公司 Preferred Networks 創辦人
　　▍2022 年日本「現代名工」獲獎者
　　▍閱讀千篇論文的深厚學識精華
　　✧✦AI 神人親自講解深度學習的技術奧秘！✦✧

　　千變萬化的 AI 應用，核心都是「深度學習」。
　　掌握深度學習，才能迎接 AI 世代的新挑戰！

　　【基礎概念：深度學習的特色、與機器學習的不同】
　　認識機器學習的不同類型，詳細瞭解神經網路、特徵學習、反向傳播，如何使深度學習脫穎而出。

　　【發展進化：正規化層、跳躍連接、注意力單元】
　　深入解說這三項核心技術的數學原理，認識深度學習克服各種困難、大幅進化的歷程。

　　【實際應用：影像辨識、語音辨識、自然語言處理】
　　綜合以上基礎，說明深度學習從輸入到輸出完整執行實際任務的過程，以及各種基礎技術在不同應用領域所擔任的重要角色。

　　【技術回顧：AI 發展的坎坷與突破】
　　早在 1956 年提出的 AI，為何數十年間乏人問津？深度學習又是如何重燃 AI 的火種？回顧 AI 發展，更能洞察未來方向。

　　★特別收錄：精選基礎數學★
　　把學校的數學課忘光了也不用怕！附錄彙整深度學習的必要數學知識，有疑問隨時翻閱，回頭立刻跟上大師講解。

　　本書不含：
　　✗走馬看花的簡略介紹
　　✗只用大量文字描述數學概念
　　✗只挑知名的技術做單元介紹

　　本書注重：
　　✓各技術運作方式的詳盡解說與參考文獻
　　✓大量圖片表達技術要旨、實際數學式演示過程
　　✓各技術發展背景與傳承脈絡，描繪深度學習的改革史

　　✧✦探索 AI 奧祕絕不該錯過的精采好書！✦✧

本書特色

　　◆難度由淺入深，從基礎數學開始紮穩根基
　　書中數學式從符號開始一一解說，各種計算及推導都仔細說明，書末更附上基礎數學補充，數學課忘光也不怕

　　◆核心關鍵技術一網打盡，完整掌握深度學習
　　學習模型 / 損失函數 / 梯度下降法 / 反向傳播 / 卷積層 / 循環層 / 閘控機制 / 激活函數 / 正規化 / 跳躍連接 / 注意力單元……核心技術全面涵蓋

　　◆插圖、文字、數學式，三管齊下詳盡講解
　　- 以圖示勾勒整體概念
　　- 以文字解構問題並說明思路
　　- 以數學式演示技術流程
　　3 方向完整拆解、充分理解，讀懂原理不必再囫圇吞棗

　　◆從背景到傳承，清楚描繪技術發展脈絡
　　偉大的技術，即是解決過去的問題，並提出未來的問題；本書清楚描繪核心技術環環相扣的進化史，更能展望 AI 未來的新發展

專業推薦

　　王道維｜國立清華大學物理系教授 / 人文社會 AI 應用與發展研究中心副主任
　　林筱玫｜台灣人工智慧協會執行長
　　劉育維｜人工智慧解決方案專家暨網路作家
　　 (依姓名筆劃排列)

作者簡介

岡野原大輔 (Daisuke Okanohara)

　　2010 年畢業於東京大學資訊理工學系計算機科學專攻博士課程（資訊理工學博士）。2006 年在學期間與友人共同創辦 Preferred Infrastructure，並於 2014 年創立 Preferred Networks。目前擔任 Preferred Networks 的代表取締役研究總裁（CER），以及 Preferred Computational Chemistry 的代表取締役社長。

《本文節錄自本書 1.2 節、5.3 節、4.4 節》
 
目前資料正以爆發性的速度持續增長當中。根據IDC（國際數據資訊）的推測，2020年全球生成、取得與複製的資料總量為64 ZB，而且未來至少 5年內，都將持續以每年23% 的速度增加。主要原因包括網路的普及、智慧型手機等個人裝置普及、運用使用者資料的 Web 服務增加，以及感測器與通訊成本降低。
 
〈影片資料與基因資料的快速增長〉
 
這些資料包括由個人、企業與研究活動所產生的資料，類型則包含文字、語音、影像、影片、感測器與 GPS 活動紀錄等。其中資料量增加最顯著的領域，則是「影片資料」與「基因資料」。
 
以影片資料來說，HD（高畫質）網路攝影機在本書執筆時，售價還不到 1,000 日圓。智慧型手機搭載的攝影機，性能已經可以媲美、甚至是超越傳統數位單眼相機等高性能相機，每天都有許多人不斷地在拍照。至於基因資料，目前讀取人類基因體的機器——基因體定序儀（genome sequencer），完成單次讀取的價格也正在急速下降。舉例來說，2001 年執行人類基因體計畫（Human Genome Project）時，一共歷經了十多年，耗資 27 億美元，才終於完成人類基因體的最終定序；但現在只要不到 1 小時就可以完成，價格還低於 100 美元。
 
〈以大量的訓練資料為基礎〉
 
不論是磁碟還是快閃記憶體，累積資料的儲存費用都越來越便宜了。而且如前所述，雲端的出現也讓我們能夠省去不必要的初期投資，輕鬆、安全地累積大量資料。加上自從人們發現資料本身即可創造價值之後，就陸續出現了許多可以免費儲存資料的服務。這些轉變都使我們得以利用大量且多樣化的資料來訓練機器學習的模型，再驗證訓練完的模型。
 
但深度學習能達到目前的發展，還是多虧了 ImageNet 收集數百萬張影像，並為其中一百萬張加上標籤。ImageNet 同樣是抱持著「大量資料比技術更能推動研究發展」的信念建立而成。目前機器學習的開發／研究中有一種「成功模式」：只要先將模型調整為「增加訓練資料，即可提升準確率」的狀態，再持續增加訓練資料，便能解決問題。