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