資料由 claude.ai 提供

課程網址連結:

1. Andrew Ng 的機器學習課程(Coursera):https://www.coursera.org/learn/machine-learning
2. Udacity 的機器學習工程師納米學位:https://www.udacity.com/course/machine-learning-engineer-nanodegree–nd009t
3. edX 的MIT人工智能課程:https://www.edx.org/course/introduction-to-artificial-intelligence-ai
4. 李宏毅的機器學習課程:https://www.youtube.com/playlist?list=PLJV_el3uVTsPy9oCRY30oBPNLCo89yu49
5. 李宏毅的深度學習課程:https://www.youtube.com/playlist?list=PLJV_el3uVTsPMxPbjeX7PicgWbY7F8wW9
6. 吳恩達的機器學習課程筆記:https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
7. Google的機器學習速成課程: https://developers.google.com/machine-learning/crash-course
8. fast.ai的機器學習課程:https://course.fast.ai/

Generative Adversarial Network(GAN)

生成對抗網路（Generative Adversarial Network，GAN）是一種具有鮮明特色的機器學習模型。GAN由兩個互相競爭的神經網路組成：生成器（Generator）和判別器（Discriminator）。

生成器的目的是生成逼真的資料樣本，例如圖像或音訊。它接收一個隨機噪聲向量作為輸入，並利用深度神經網路進行轉換，生成與訓練數據相似的新樣本。

判別器則試圖區分生成器生成的樣本與真實訓練數據。它也是由深度神經網路組成，接收一個樣本作為輸入，並根據該樣本是真實的還是生成的進行預測。

生成器和判別器彼此對立，通過互相競爭並不斷交互訓練。生成器的目標是愈來愈好地生成逼真的樣本以騙過判別器，而判別器則試圖提高準確性以區分真假。這個訓練過程持續進行，直到生成器能夠生成非常逼真的樣本，使判別器無法區分真假。

GAN已被廣泛應用於圖像生成、風格轉換