本書有DRM加密保護,需使用HyRead閱讀軟體開啟
  • Python+TensorFlow人工智慧機器學習大數據:超炫專案與完全實戰
  • 點閱:218
  • 作者: 柯博文著
  • 出版社:碁峰資訊
  • 出版年:2019[民108]
  • ISBN:978-986-502-330-0 ; 986-502-330-X ; 978-986-502-257-0 ; 986-502-257-5
  • 格式:JPG
  • 版次:初版
  • 附註:原紙本書ISBN: 9789865022570 版權頁題名: Python+TensorFlow人工智慧、機器學習、大數據

內容簡介
【嚴選經典】美國矽谷創業家/全球科技大廠與業界指定工研院顧問講師之Python TensorFlow 人工智慧機器學習入門鉅作!
 
本書為作者柯博文老師在各大企業教授Python、機器學習、人工智慧的課程內容匯集而成。歷經業界頂尖工程師的學員多次的考驗,實戰多年後才匯集成冊。內容包含:Python、機器學習、人工智慧、TensorFlow、Keras、OpenCV等相關API的使用方法。
 

本書針對Python人工智慧和數機器學習有興趣的程式開發者,由淺到深,分為三階段介紹:
◎以豐富的範例淺而易懂的解說Python程式語言,並加入詳細的程式註解,使讀者瞭解每個程式的動作。
◎介紹業界統計分析相關的機器學習資料分析程式,並大量使用業界數據,進行分析和預測。
◎使用Tensorflow.Keras實踐人工智慧,以MLP類神經的原理和案例,並且讓讀者瞭解如何修改程式,才能達到百分百的準確率的目標,並用CNN的手寫辨識方法,結合OpenCV達到學習人工智慧,並且實際應用在生活中。
 
聯合推薦
 
嘉義基督教醫院 兒童醫學部兒童腎臟科主任、嘉基創新育成中心主任 周信旭醫師
Eco-City智慧生活科技區域整合中心執行長、國立交通大學土木工程系 曾仁杰教授
台北榮民總醫院 關艾琛醫師


作者簡介
 
柯博文 老師
 
‧美國矽谷iFrogLab公司

‧台灣錄克軟體公司負責人
‧全球數十家科技大廠內訓講師
‧工研院、資策會、勞動部的指定講師
‧教授過400餘場次的軟體硬體韌體開發課程
‧前工業技術研究院資訊與通訊研究所網路服務技術組顧問
‧中國工信部電子視像行業協會的數字平台推進中心顧問
‧中國物聯網應用與推進聯盟智能電視產業部顧問
‧美華影音顧問


  • 1 Python 程式語言(第1 - 1頁)
    • 1.1 Python 程式語言的介紹(第1 - 1頁)
    • 1.2 Python 歷史(第1 - 2頁)
    • 1.3 Python 版本(第1 - 3頁)
  • 2 Python 程式語言安裝(第2 - 1頁)
    • 2.1 Windows 作業系統的 Python 安裝(第2 - 1頁)
    • 2.2 在 Windows 測試與執行 Python(第2 - 4頁)
    • 2.3 Mac 作業系統的 Python 安裝(第2 - 8頁)
    • 2.4 在 Mac 測試與執行 Python(第2 - 12頁)
    • 2.5 樹莓派和 Linux 的 Python 安裝(第2 - 13頁)
    • 2.6 在 Linux 或樹莓派測試與執行 Python(第2 - 14頁)
  • 3 開發程式和工具(第3 - 1頁)
    • 3.1 我的第一個 Python 程式-Windows 版(第3 - 1頁)
    • 3.2 我的第一個 Python 程式-Mac、Linux 和樹莓派版(第3 - 3頁)
    • 3.3 開發和除錯工具-PyCharm 下載和安裝(第3 - 5頁)
    • 3.4 PyCharm 工具介紹(第3 - 10頁)
    • 3.5 建立專案(第3 - 12頁)
    • 3.6 除錯(第3 - 17頁)
    • 3.7 安裝其他的 Packages 函式庫(第3 - 19頁)
    • 3.8 安裝 Anaconda(第3 - 21頁)
    • 3.9 使用 Anaconda(第3 - 24頁)
    • 3.10 Pip 安裝套件(第3 - 26頁)
    • 3.11 本書需要安裝的第三方函式庫列表(第3 - 30頁)
  • 4 Python 程式基礎(第4 - 1頁)
    • 4.1 Python 注解(第4 - 1頁)
    • 4.2 Python 資料型態(第4 - 2頁)
    • 4.3 Python 數學計算(第4 - 5頁)
    • 4.4 Python 列印(第4 - 6頁)
    • 4.5 PytIf ...else 條件判斷語句-條件執行(conditional)(第4 - 8頁)
    • 4.6 Array 陣列-List(第4 - 11頁)
    • 4.7 range 範圍(第4 - 13頁)
    • 4.8 for 迴圈(第4 - 15頁)
    • 4.9 UTF8 中文文字編碼和文字輸入(第4 - 19頁)
    • 4.10 while 迴圈語法(第4 - 20頁)
  • 5 函數和物件導向 OOP(第5 - 1頁)
    • 5.1 開發函數 def(第5 - 1頁)
    • 5.2 import 匯入和開發(第5 - 4頁)
    • 5.3 類別 class(第5 - 5頁)
    • 5.4 類別 class 初始化定義值(第5 - 5頁)
    • 5.5 類別中的函數方法 Method(第5 - 6頁)
    • 5.6 類別中的「屬性」Property(第5 - 6頁)
    • 5.7 類別中的呼叫其他的函數方法 Method(第5 - 7頁)
    • 5.8 設定公開、私有的類別函數方法(第5 - 8頁)
    • 5.9 把類別獨立成另一個檔案(第5 - 9頁)
    • 5.10 繼承-OOP 物件導向(第5 - 10頁)
    • 5.11 多重繼承(第5 - 11頁)
    • 5.12 呼叫父類類別函數 super(第5 - 12頁)
    • 5.13 呼叫父類的「屬性」Property(第5 - 13頁)
  • 6 視窗處理 GUI Tkinter(第5 - 1頁)
    • 6.1 視窗 GUI 函式庫(第6 - 1頁)
    • 6.2 視窗(第6 - 2頁)
    • 6.3 文字 Label(第6 - 5頁)
    • 6.4 顯示圖片 Image(第6 - 8頁)
    • 6.5 按鍵(第6 - 9頁)
    • 6.6 訊息視窗 tkMessageBox(第6 - 12頁)
    • 6.7 輸入框 Entry(第6 - 15頁)
    • 6.8 繪圖 Canvas(第6 - 16頁)
  • 7 資料定義 Containers(第7 - 1頁)
    • 7.1 List 陣列(第7 - 1頁)
    • 7.2 List 陣列資料的多樣性(第7 - 3頁)
    • 7.3 List 的數學處理(第7 - 4頁)
    • 7.4 Slicing 切割(第7 - 6頁)
    • 7.5 Dictionaries 字典(第7 - 7頁)
    • 7.6 Sets 序列集集合比較(交集、聯集、差集)(第7 - 8頁)
    • 7.7 Tuples 序列(第7 - 9頁)
  • 8 圖表函式庫 matplotlib.pylib(第8 - 1頁)
    • 8.1 圖表函式庫 Matplotlib 介紹(第8 - 1頁)
    • 8.2 畫線(第8 - 3頁)
    • 8.3 畫點(第8 - 4頁)
    • 8.4 畫面切割(第8 - 8頁)
    • 8.5 顯示圖片(第8 - 10頁)
    • 8.6 顯示圖表在視窗程式中(第8 - 11頁)
  • 9 檔案處理和 Open Data 開放資料(第9 - 1頁)
    • 9.1 開放資料介紹(第9 - 1頁)
    • 9.2 儲存檔案(第9 - 2頁)
    • 9.3 檔案複製、刪除和列出所有檔案(第9 - 4頁)
    • 9.4 資料夾(第9 - 5頁)
    • 9.5 讀取 Excel xls 格式-阿靈頓縣裡面所有學校(第9 - 7頁)
    • 9.6 讀取、處理和儲存 CSV-氣象風暴資料(第9 - 10頁)
  • 10 網路(第10 - 1頁)
    • 10.1 超文本傳輸協定 HTTP Get(第10 - 1頁)
    • 10.2 透過網路取得即時開放資料-即時「今日氣象資訊」(第10 - 3頁)
    • 10.3 超文本傳輸協定 HTTPPost(第10 - 5頁)
    • 10.4 可延伸標記式語言 XML(第10 - 7頁)
    • 10.5 開放資料 XML-取得台北市社會福利中心(第10 - 11頁)
    • 10.6 JSON(第10 - 14頁)
    • 10.7 開放資料 JSON-顯示桃園公共自行車即時服務資料(第10 - 16頁)
  • 11 資料庫(第11 - 1頁)
    • 11.1 下載和安裝MYSQL 資料庫(第11 - 1頁)
    • 11.2 新增資料庫使用者-Add User(第11 - 6頁)
    • 11.3 新增資料庫-Add database(第11 - 9頁)
    • 11.4 開啟資料庫-MySQL-python 和 pymysql(第11 - 12頁)
    • 11.5 新增資料庫資料-insert(第11 - 13頁)
    • 11.6 取得資料-select(第11 - 15頁)
    • 11.7 刪除和修改資料庫資料-delete 和 update(第11 - 18頁)
  • 12 自然語言處理-文字、語意分析和繁簡體的轉換(第12 - 1頁)
    • 12.1 繁體中文和簡體中文的互換-OpenCC(第12 - 1頁)
    • 12.2 中文分詞斷詞工具-jieba(第12 - 4頁)
    • 12.3 分析檔案的文字(第12 - 6頁)
    • 12.4 自訂分詞(第12 - 12頁)
    • 12.5 取出斷詞位置(第12 - 13頁)
    • 12.6 移除用詞和自訂比重分數(第12 - 14頁)
    • 12.7 排列出最常出現的分詞(第12 - 17頁)
    • 12.8 網路文章的重點(第12 - 18頁)
  • 13 人工智慧標記語言 AIML(第13 - 1頁)
    • 13.1 人工智能記號語言 AIML 介紹(第13 - 1頁)
    • 13.2 中文機器人(第13 - 4頁)
    • 13.3 AIML 語法教學 1-隨機對話(第13 - 6頁)
    • 13.4 AIML 語法教學 2-變數(第13 - 7頁)
  • 14 網頁伺服器(第14 - 1頁)
    • 14.1 Python 網頁伺服器(第14 - 1頁)
    • 14.2 開發自己的網頁伺服器(第14 - 2頁)
    • 14.3 顯示 HTTP 內容(第14 - 4頁)
    • 14.4 取得 HTTP GET 所傳遞的資料(第14 - 5頁)
    • 14.5 取得 HTTP POST 所傳遞的資料(第14 - 7頁)
  • 15 網路爬蟲 BeautifulSoup4(第15 - 1頁)
    • 15.1 網路爬蟲-取得網路文章內容(第15 - 1頁)
    • 15.2 BeautifulSoup 的函數和屬性(第15 - 2頁)
    • 15.3 實戰案例-抓取作者的部落格文章(第15 - 8頁)
    • 15.4 實戰練習(第15 - 12頁)
  • 16 Pandas 數據分析和量化投資(第16 - 1頁)
    • 16.1 安裝(第16 - 1頁)
    • 16.2 使用 pandas 讀取和儲存 Excel 的檔案(第16 - 3頁)
    • 16.3 使用 pandas 讀取和儲存 CSV 的文字檔案(第16 - 5頁)
    • 16.4 讀取網路上的表格(第16 - 6頁)
    • 16.5 DataFrame(第16 - 7頁)
    • 16.6 計算(第16 - 9頁)
    • 16.7 實戰分析 Apple 股價(第16 - 10頁)
    • 16.8 統計相關計算(第16 - 12頁)
    • 16.9 邏輯判斷-找出股價高點(第16 - 16頁)
    • 16.10 計算股價浮動和每月的變化(第16 - 20頁)
    • 16.11 畫出股票的走勢圖和盒鬚圖(第16 - 22頁)
  • 17 Numpy 矩陣運算數學函數函式庫(第17 - 1頁)
    • 17.1 矩陣資料初始化(第17 - 1頁)
    • 17.2 定義資料(第17 - 2頁)
    • 17.3 資料對應(第17 - 3頁)
    • 17.4 切割(第17 - 4頁)
    • 17.5 整數數組索引(第17 - 4頁)
    • 17.6 資料型態 Datatypes(第17 - 5頁)
    • 17.7 計算(第17 - 7頁)
    • 17.8 統計(第17 - 9頁)
    • 17.9 邏輯判斷(第17 - 10頁)
    • 17.10 不同大小的矩陣相加(第17 - 11頁)
  • 18 執行檔包裝程式 Pyinstaller(第18 - 1頁)
    • 18.1 pyinstaller 功能介紹和安裝(第18 - 1頁)
    • 18.2 pyinstaller 包裝執行檔的步驟(第18 - 2頁)
  • 19 機器學習演算法-Regression 迴歸分析(第19 - 1頁)
    • 19.1 資料準備(第19 - 1頁)
    • 19.2 機器學習的資料準備(第19 - 2頁)
    • 19.3 迴歸分析數學介紹(第19 - 5頁)
    • 19.4 迴歸分析繪圖(第19 - 6頁)
    • 19.5 亂數數據(第19 - 8頁)
    • 19.6 殘差 residual(第19 - 9頁)
    • 19.7 使用 scikit-learn 的 linear_model 函數求線性迴歸(第19 - 10頁)
    • 19.8 實戰案例-動物大腦和身體的關係(第19 - 13頁)
    • 19.9 實戰案例-糖尿病(第19 - 14頁)
  • 20 機器學習演算法-KNN 最近鄰居法(第20 - 1頁)
    • 20.1 KNN 數學介紹(第20 - 1頁)
    • 20.2 使用 sklearn 的 KNN 判斷水果種類(第20 - 3頁)
    • 20.3 實戰案例-鳶尾花的種類判斷(第20 - 4頁)
  • 21 機器學習演算法-K-means 平均演算法(第21 - 1頁)
    • 21.1 k-means 數學介紹(第21 - 1頁)
    • 21.2 sklearn 的 K-means 類別(第21 - 3頁)
    • 21.3 K-means 實戰案例(第21 - 4頁)
    • 21.4 K-means 實戰案例圖形化呈現結果(第21 - 6頁)
  • 22 機器學習演算法-Decision Tree 決策樹演算法(第22 - 1頁)
    • 22.1 決策樹數學介紹-Gini 基尼係數(第22 - 1頁)
    • 22.2 sklearn 的 DecisionTreeClassifier 決策樹(第22 - 3頁)
    • 22.3 決策樹圖形化呈現結果(第22 - 5頁)
  • 23 機器學習演算法 Random Forest 隨機森林演算法(第23 - 1頁)
    • 23.1 數學介紹(第23 - 1頁)
    • 23.2 隨機森林函數(第23 - 2頁)
    • 23.3 隨機森林圖形化和數據庫產生器(第23 - 3頁)
  • 24 機器學習演算法-Bayes' theorem 貝氏分類器(第24 - 1頁)
    • 24.1 貝氏分類器數學介紹貝(第24 - 1頁)
    • 24.2 Bayes 實戰案例(第24 - 3頁)
    • 24.3 圖形化呈現(第24 - 5頁)
    • 24.4 網格 numpy.meshgrid(第24 - 6頁)
    • 24.5 圈選出分類的範圍(第24 - 7頁)
  • 25 TensorFlow 介紹和安裝(第25 - 1頁)
    • 25.1 tensorflow 介紹(第25 - 1頁)
    • 25.2 安裝 TensorFlow(第25 - 2頁)
    • 25.3 TensorFlow 測試(第25 - 4頁)
    • 25.4 Tensorflow GPU 版(第25 - 5頁)
  • 26 TensorFlow 的類神經網路-MLP 快速上手(第26 - 1頁)
    • 26.1 產生訓練資料和建立模型(第26 - 2頁)
    • 26.2 編譯和訓練(第26 - 5頁)
    • 26.3 測試和預測(第26 - 6頁)
  • 27 TensorFlow 改善類神經模型 MLP 結果(第27 - 1頁)
    • 27.1 模型 model 不同的寫法(第27 - 1頁)
    • 27.2 TensorFlow 與 Keras 函式庫的關係和差異(第27 - 2頁)
    • 27.3 One-hot Encoding 單熱編碼(第27 - 4頁)
    • 27.4 處理多個特徵值(第27 - 7頁)
    • 27.5 改善預測結果-深度學習訓練次數 epochs(第27 - 10頁)
    • 27.6 改善預測結果-增加神經元和隱藏層(第27 - 11頁)
    • 27.7 改善訓練結果-增加訓練數據集(第27 - 12頁)
    • 27.8 如何達到預測 100% 正確?(第27 - 12頁)
  • 28 TensorFlow 花的辨識-MLP(第28 - 1頁)
    • 28.1 植物辨識數據庫-訓練和測試的資料(第28 - 1頁)
    • 28.2 多層感知器模型 MLP(multilayer perceptron)(第28 - 3頁)
    • 28.3 使用 TensorFlow.keras 建立模型(第28 - 4頁)
    • 28.4 激勵函數 ReLU、sigmoid 和 tanh(第28 - 5頁)
    • 28.5 訓練模型(第28 - 6頁)
    • 28.6 深度學習最佳化-最短路徑演算法(第28 - 7頁)
    • 28.7 訓練循環 Fit(第28 - 9頁)
  • 29 TensorFlow 存取模型和訓練結果(第29 - 1頁)
    • 29.1 圖形顯示訓練過程(第29 - 1頁)
    • 29.2 TensorBoard 的使用(第29 - 2頁)
    • 29.3 保存模型和訓練後的結果(第29 - 5頁)
    • 29.4 讀取使用訓練模型和訓練後的結果(第29 - 7頁)
  • 30 TensorFlow 實戰圖形和手寫辨識 MLP(第30 - 1頁)
    • 30.1 手寫資料 MNIST(第30 - 1頁)
    • 30.2 下載和使用 MNIST 手寫資料(第30 - 2頁)
    • 30.3 使用圖形顯示 MNIST 內的資料(第30 - 4頁)
    • 30.4 圖形文字的辨識原理(第30 - 5頁)
    • 30.5 特徵值增強度和單熱編碼(第30 - 7頁)
    • 30.6 使用多層類神經 MLP 模型(第30 - 10頁)
  • 31 TensorFlow 卷積神經網路 CNN(第31 - 1頁)
    • 31.1 什麼是卷積類神經(CNN)?(第31 - 1頁)
    • 31.2 使用 CNN 做手寫圖像辨識(第31 - 3頁)
    • 31.3 CNN 手寫辨識達到 99% 的辨識率(第31 - 7頁)
  • 32 OpenCV 和 TensorFlow 卷積神經網路 CNN 即時辨識(第32 - 1頁)
    • 32.1 OpenCV 介紹(第32 - 1頁)
    • 32.2 OpenCV 安裝和環境架設(第32 - 3頁)
    • 32.3 OpenCV 顯示圖片(第32 - 4頁)
    • 32.4 OpenCV 顯示攝影機(第32 - 5頁)
    • 32.5 OpenCV 手寫程式(第32 - 7頁)
    • 32.6 即時手寫辨識 APP-99% 的正確率(第32 - 9頁)
紙本書 NT$ 540
單本電子書
NT$ 378

還沒安裝 HyRead 3 嗎?馬上免費安裝~
QR Code