本書特色
1.基礎到技術循序漸進，並以圖示簡化流程圖與其描述。
2.書內理論提供詳細公式並附有豐富的程式碼進行演示。
3.本書介紹並呈現多種視覺任務，包含影像增強、除雨、偵測、辨識、分類...等應用。
內容簡介
本書介紹深度學習於影像處理中的應用，從基礎的機器學習與深度學習技術講起，接著由淺入深地探討深度學習的原理與實現，同時結合實例進行演示和實驗。最後介紹電腦視覺與影像處理的相關技術，並結合深度學習模型應用於多種視覺任務的應用。書中分為兩大部分：第一部分(前七章)將介紹機器學習和深度學習的基礎知識，包括常用的機器學習模型、損失函數、優化算法等，也會在此介紹常見的卷積神經網路(CNN)、循環神經網路(RNN)和生成對抗網路(GAN)等；第二部分(第八章)將深入探討深度學習算法在影像處理中的應用，我們將通過實際案例和實驗，向讀者演示這些算法的原理和實現方法，並探討如何應用這些算法來解決影像處理中的實際問題。本書適用大學、科大資工、電機、資訊科學系「深度學習」課程使用。

CH1 人工智慧基本介紹
1-1　何謂人工智慧
1-2　人工智慧、機器學習及深度學習
1-3　人工智慧對人類社會的影響

CH2 環境與資料科學套件介紹
2-1　Google Colab 環境介紹
2-2　Numpy 介紹
2-3　Pandas 介紹
2-4　Pytorch 介紹
2-5　Matplotlib 介紹

CH3 機器學習與深度學習基礎
3-1　機器學習基礎
3-2　深度學習基礎

CH4 卷積神經網路
4-1　類神經網路
4-2　卷積神經網路
4-3　轉置卷積
4-4　其他卷積方法
4-5　卷積神經網路於Pytorch 之實現

CH5 常用深度學習訓練技巧
5-1　標準化
5-2　正則化
5-3　遷移學習及預訓練模型
5-4　交叉驗證
5-5　集成學習
5-6　平行訓練
5-7　深度學習應用於影像處理之技巧

CH6 深度學習架構介紹
6-1　LeNet
6-2　VGGNet
6-3　U-Net
6-4　Residual Network(ResNet)
6-5　InceptionNet(GoogLeNet)
6-6　DenseNet
6-7　Fully Convolutional Networks (FCNs)
6-8　MobileNet V1
6-9　EfficientNet

CH7 進階深度學習技術介紹
7-1　循環神經網路
7-2　長短記憶模型
7-3　門控循環單元
7-4　Attention is all you need
7-5　其他的注意力(Attention)機制
7-6　Vision Transformer(ViT)
7-7　Swin Transformer
7-8　生成對抗式網路(GAN)
7-9　Conditional Generative Adversarial Network（cGAN）
7-10　Pix2pix
7-11　循環生成對抗式網路

CH8 基於影像的深度學習案例
8-1　影像基本原理介紹
8-2　基本影像處理
8-3　邊緣抽取、影像增強與校正
8-4　影像辨識與分類
8-5　深度學習在影像處理的應用
8-6　影像修復與辨識實驗之程式碼介紹