|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

|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

|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