【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
親自錄製231支影音教學影片，如臨現場授課！
本書為作者柯博文老師繼《Python+TensorFlow人工智慧、機器學習、大數據｜超炫專案與完全實戰》規劃的進階書籍，歷經業界頂尖的工程師學員多次考驗，實戰多年後才匯集成冊。包含Python、機器學習、人工智慧、TensorFlow、Keras、OpenCV等相關API的使用方法，且每個範例都是實戰程式。
◎ 提供豐富的線上下載：204個範例程式、231支影音教學影片。
◎ 介紹人工智慧的開發技巧，並且近乎100%準確度。
◎ 大量使用業界數據、OpenData開放資料進行分析和預測，上百萬種數據讓你應用。
◎ 以Python撰寫類神經的數學公式，讓讀者理解人工智慧演算法的來龍去脈，進而調整數學式讓準確度更好。
◎ 範例豐富多元，將人工智慧運用在農業、氣象預報、手寫OCR、圖片學習等人工智慧實戰。
◎ 結合Tensorflow.Keras和OpenCV自行產生數據庫，使用WebCam即時辨識圖片，並且實際應用在專案中。
◎ 使用最新高難度的VGG16、VGG19、ResNet50、Xception、Inception、DenseNet121、Fast R-CNN等演算法，並訓練自己的物件，使用COCO和ImageNet辨識近萬種物體。
聯合推薦
嘉義基督教醫院兒童醫學部主任、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
台北榮民總醫院神經外科、國立陽明大學研究所兼任助理教授 關艾琛醫師
◎ 介紹人工智慧的開發技巧，並且近乎100%準確度。
◎ 大量使用業界數據、OpenData開放資料進行分析和預測，上百萬種數據讓你應用。
◎ 以Python撰寫類神經的數學公式，讓讀者理解人工智慧演算法的來龍去脈，進而調整數學式讓準確度更好。
◎ 範例豐富多元，將人工智慧運用在農業、氣象預報、手寫OCR、圖片學習等人工智慧實戰。
◎ 結合Tensorflow.Keras和OpenCV自行產生數據庫，使用WebCam即時辨識圖片，並且實際應用在專案中。
◎ 使用最新高難度的VGG16、VGG19、ResNet50、Xception、Inception、DenseNet121、Fast R-CNN等演算法，並訓練自己的物件，使用COCO和ImageNet辨識近萬種物體。
聯合推薦
嘉義基督教醫院兒童醫學部主任、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
台北榮民總醫院神經外科、國立陽明大學研究所兼任助理教授 關艾琛醫師
- 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1-1頁)
- 1.3 Python 版本(第1-2頁)
- 2 Python 程式語言安裝(第2-1頁)
- 2.1 在 Windows 作業系統安裝 Python(第2-1頁)
- 2.2 在 Windows 測試與執行 Python(第2-4頁)
- 2.3 在 Mac 作業系統安裝 Python(第2-8頁)
- 2.4 在 Mac 測試與執行 Python(第2-12頁)
- 2.5 在樹莓派和 Linux 安裝 Python(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3-18頁)
- 3.7 安裝其他的 Packages 函式庫(第3-20頁)
- 3.8 安裝 Anaconda(第3-22頁)
- 3.9 使用 Anaconda(第3-25頁)
- 3.10 Pip 安裝套件(第3-27頁)
- 3.11 本書需要安裝的第三方函式庫列表(第3-31頁)
- 4 TensorFlow 介紹和安裝(第4-1頁)
- 4.1 tensorflow 介紹(第4-1頁)
- 4.2 安裝 TensorFlow看(第4-3頁)
- 4.3 TensorFlow 測試(第4-4頁)
- 4.4 Tensorflow GPU 版(第4-5頁)
- 5 TensorFlow 的類別神經網路－MLP 快速上手(第5-1頁)
- 5.1 人工智能開發的步驟(第5-1頁)
- 5.2 產生訓練資料(第5-3頁)
- 5.3 建立模型(第5-4頁)
- 5.4 編譯(第5-6頁)
- 5.5 訓練(第5-6頁)
- 5.6 評估正確率(第5-8頁)
- 5.7 預測(第5-9頁)
- 6 TensorFlow 改善類神經模型 MLP 的正確率(第6-1頁)
- 6.1 模型 model 不同的寫法(第6-1頁)
- 6.2 TensorFlow 與 Keras 函式程式庫的關係和差異(第6-2頁)
- 6.3 標籤處理 One - hot Encoding 單熱編碼(第6-4頁)
- 6.4 處理多個特徵值(第6-7頁)
- 6.5 改善預測結果－深度學習訓練次數 epochs(第6-9頁)
- 6.6 改善預測結果－深度學習訓練每次訓練的資料量 batch_size(第6-11頁)
- 6.7 改善預測結果－增加神經元(第6-11頁)
- 6.8 改善預測結果－增加隱藏層(第6-12頁)
- 6.9 改善訓練結果－增加訓練資料集(第6-13頁)
- 6.10 如何達到預測 100％ 正確？(第6-14頁)
- 7 TensorFlow 神經網路模型實戰案例(第7-1頁)
- 7.1 鳶尾花的種類判斷(第7-1頁)
- 7.2 鳶尾花植物辨識資料程式庫(第7-3頁)
- 7.3 使用 Python 處理 Excel 檔案(第7-4頁)
- 7.4 鳶尾花資料下載和儲存到 Excel 檔案(第7-6頁)
- 7.5 多層感知器模型 MLP（multilayer perceptron）(第7-7頁)
- 7.6 使用 TensorFlow.keras 建立模型(第7-9頁)
- 7.7 實戰案例－澳洲 Canberra 坎培拉天氣預測(第7-11頁)
- 7.8 Excel 資料的讀取和儲存(第7-13頁)
- 7.9 讀取、處理和儲存 CSV(第7-14頁)
- 7.10 處理天氣記錄的 Excel 資料(第7-16頁)
- 7.11 使用神經網路 MLP 預測天氣(第7-18頁)
- 8 TensorFlow 神經網路－神經元(第8-1頁)
- 8.1 神經網路圖形工具介紹－TensorFlow Playground(第8-1頁)
- 8.2 神經網路圖形工具介紹－對應的 Tensorflow 資料(第8-3頁)
- 8.3 神經網路圖形工具介紹－對應的 Tensorflow 程式(第8-4頁)
- 8.4 調整隱藏層和神經元(第8-5頁)
- 8.5 實戰－用最少的隱藏層和神經元區分資料(第8-7頁)
- 8.6 透過 Tensorflow 計算出 weight 權重和 bias 偏移量(第8-10頁)
- 8.7 神經元的權重和偏移量計算式(第8-11頁)
- 8.8 用 TensorFlow 畫出神經元的 weight 權重和 bias 偏移量(第8-13頁)
- 8.9 binary_crossentropy 二元分類法的處理(第8-14頁)
- 8.10 自訂資料驗證 regression 迴歸和神經元的關係(第8-15頁)
- 8.11 激勵函式 ReLU、sigmoid 和 tanh(第8-17頁)
- 8.12 多個神經元(第8-20頁)
- 9 MLP 神經網路－數學理論(第9-1頁)
- 9.1 激勵函式 sigmoid 的數學理論(第9-1頁)
- 9.2 激勵函式 Tanh 的數學理論(第9-3頁)
- 9.3 激勵函式 Relu 的數學理論(第9-4頁)
- 9.4 激勵函式的用意(第9-5頁)
- 9.5 多層感知器（Multilayer Perceptron，MLP）計算公式(第9-6頁)
- 9.6 二層神經元的數學計算(第9-11頁)
- 10 TensorFlow 神經網路隱藏層(第10-1頁)
- 10.1 隱藏層 Hidden Layer 的目的(第10-1頁)
- 10.2 隱藏層 Hidden Layer 的數學(第10-2頁)
- 10.3 MLP 例子XOR problem(第10-5頁)
- 10.4 空間轉換(第10-8頁)
- 10.5 再次切割(第10-11頁)
- 10.6 隱藏層 Hidden Layer 的用意(第10-14頁)
- 11 TensorFlow 最短路徑演算法(第11-1頁)
- 11.1 圖形顯示訓練過程歷史(第11-1頁)
- 11.2 深度學習最佳化－最短路徑演算法(第11-2頁)
- 11.3 最佳化－Adam 演算法(第11-4頁)
- 11.4 最佳化－SGD 演算法隨(第11-6頁)
- 11.5 最佳化－RMSprop 演算法(第11-7頁)
- 11.6 最佳化－Adagrad、Adadelta、Nadam、Momentum 演算法(第11-9頁)
- 11.7 最佳化－演算法如何挑選？(第11-13頁)
- 11.8 特徵值數據標準化(第11-15頁)
- 11.9 最佳化－Learning rate 學習效率(第11-19頁)
- 11.10 編譯模型的 metrics 指標(第11-22頁)
- 12 TensorFlow 存取模型和訓練結果(第12-1頁)
- 12.1 TensorBoard 的使用(第12-1頁)
- 12.2 儲存檔案模型和訓練後的結果(第12-4頁)
- 12.3 讀取使用訓練模型和訓練後的結果(第12-6頁)
- 12.4 透過 Callback 每次訓練就儲存權重一次(第12-8頁)
- 12.5 自動判斷是否需要訓練模型(第12-9頁)
- 12.6 分批繼續訓練(第12-10頁)
- 13 TensorFlow 神經網路MLP－迴歸(第13-1頁)
- 13.1 TensorFlow 神經網路MLP－迴歸(第13-1頁)
- 13.2 類神經迴歸的 metrics 指標(第13-5頁)
- 13.3 單次梯度更新 train_on_batch(第13-7頁)
- 13.4 損失函式 Loss vs 代價函式 Cost(第13-10頁)
- 13.5 波士頓房屋價格的數據庫分析(第13-12頁)
- 13.6 波士頓房屋價格資料下載儲存到 Excel 和 CSV(第13-15頁)
- 13.7 波士頓房屋價格的數據庫分析－特徵關係(第13-16頁)
- 13.8 迴歸類神經實戰案例－波士頓房屋價格的預測(第13-19頁)
- 13.9 調整神經網路 MLP 迴歸更加準確(第13-21頁)
- 13.10 MLP 迴歸分批繼續訓練(第13-23頁)
- 13.11 波士頓房屋價格的預測單次梯度更新(第13-24頁)
- 14 實戰圖形辨識(第14-1頁)
- 14.1 圖形辨識原理(第14-1頁)
- 14.2 將圖片轉換成特徵值(第14-3頁)
- 14.3 多層感知器 MLP 實戰圖形辨識(第14-5頁)
- 14.4 實戰手寫圖片MNIST(第14-6頁)
- 14.5 MNIST 每一筆的 Image 資料內容(第14-8頁)
- 14.6 圖形顯示 MNIST 內的資料(第14-9頁)
- 14.7 顯示多張圖片(第14-10頁)
- 14.8 圖形文字的辨識原理(第14-11頁)
- 14.9 圖形資料轉換成 MLP 訓練資料(第14-13頁)
- 14.10 使用 MLP 來辨識圖片和文字(第14-15頁)
- 14.11 實戰－服飾的圖形辨識 Fashion - MNIST(第14-18頁)
- 14.12 圖形化顯示 Fashion_MNIST 服飾資料(第14-21頁)
- 14.13 使用 MLP 來辨識衣服、褲子、鞋子(第14-23頁)
- 15 卷積神經網路 CNN(第15-1頁)
- 15.1 什麼是卷積類神經（CNN）？(第15-1頁)
- 15.2 CNN 和 MLP 的差異(第15-3頁)
- 15.3 CNN 快速上手(第15-4頁)
- 15.4 CNN 做手寫圖片辨識－特徵值的處理(第15-9頁)
- 15.5 CNN 做手寫圖片辨識－模型(第15-10頁)
- 15.6 CNN 做手寫圖片辨識－訓練和預測(第15-12頁)
- 15.7 CNN 做手寫圖片辨識－減少訓練時間(第15-13頁)
- 15.8 CNN 提高辨識率(第15-14頁)
- 15.9 實戰 CNN 判別服飾種類(第15-17頁)
- 15.10 實戰 CNN 彩色圖片的辨識 Cifar10 飛機、車輛(第15-18頁)
- 15.11 實戰 CNN 辨識 100 種人物和物體的 Cifar100(第15-23頁)
- 15.12 實戰 Tensorflow datasets 函式庫(第15-26頁)
- 15.13 實戰 Tensorflow datasets 函式庫 Food101，101 種食物辨識(第15-30頁)
- 16 OpenCV 和 TensorFlow 卷積神經網路 CNN 即時辨識(第16-1頁)
- 16.1 OpenCV 介紹和安裝架設(第16-1頁)
- 16.2 OpenCV 顯示圖片(第16-5頁)
- 16.3 OpenCV 攝影機(第16-6頁)
- 16.4 OpenCV 儲存照片(第16-7頁)
- 16.5 實戰透過攝影機辨識的一個手寫數字(第16-8頁)
- 16.6 OpenCV 手寫程式在(第16-12頁)
- 16.7 即時手寫辨識 APP(第16-15頁)
- 16.8 改善實際運用上的準確度(第16-16頁)
- 16.9 二值化(第16-17頁)
- 17 卷積神經網路原理(第17-1頁)
- 17.1 卷積類神經（CNN）Conv2D 原理和數學(第17-1頁)
- 17.2 卷積類神經 Conv2D 圖片每個點的處理(第17-6頁)
- 17.4 卷積類神經圖形化輸出(第17-13頁)
- 17.5 卷積類神經 kernel_size 和 padding 的差異(第17-14頁)
- 17.6 卷積類神經 filter 濾鏡數量的意義(第17-16頁)
- 17.7 卷積類神經 activation 激勵函式的意義(第17-18頁)
- 17.8 卷積類神經多層 Conv2D(第17-20頁)
- 17.9 卷積類神經多層池化層 Max Pooling(第17-21頁)
- 17.10 卷積類神經多層池化層 Average Pooling(第17-26頁)
- 18 卷積神經網路準確率技巧(第18-1頁)
- 18.1 ImageDataGenerator 產生更多訓練資料(第18-1頁)
- 18.2 width_shift_range 水平移動(第18-4頁)
- 18.3 rotation_range 旋轉圖片(第18-5頁)
- 18.4 zoom_range 縮放圖片(第18-6頁)
- 18.5 brightness_range 明暗度(第18-7頁)
- 18.6 height_shift_range 上下、fill_mode空白處理、cval 指定空白顏色(第18-8頁)
- 18.7 將 ImageDataGenerator 用在 MNIST 數據(第18-11頁)
- 18.8 二值化和更多神經元(第18-15頁)
- 18.9 MNIST 手寫預測(第18-16頁)
- 18.10 錯誤率列表 Confusion Matrix 混淆矩陣(第18-19頁)
- 19 圖學網路應用模組(第19-1頁)
- 19.1 圖學網路應用模組(第19-1頁)
- 19.2 使用 VGG16 預測一千種物件 VGG16(第19-4頁)
- 19.3 自製 VGG16 模型(第19-7頁)
- 19.4 將模型儲存成圖片(第19-10頁)
- 19.5 使用 VGG16 模型做 cifar10 彩色數據訓練(第19-12頁)
- 19.6 使用 VGG16 模型做 MNIST_fashion 灰階數據訓練(第19-13頁)
- 19.7 使用攝影機和 VGG16 模型即時辨識一萬種物件(第19-15頁)
- 19.8 圖學網路應用模組 VGG19(第19-17頁)
- 19.9 圖學網路應用模組 ResNet50(第19-20頁)
- 19.10 圖學網路應用模組 Xception(第19-22頁)
- 19.11 圖學網路應用模組 InceptionV3(第19-24頁)
- 19.12 圖學網路應用模組 InceptionResNetV2(第19-26頁)
- 19.13 圖學網路應用模組 NASNetLarge(第19-28頁)
- 19.14 圖學網路應用模組 DenseNet121(第19-30頁)
- 20 實戰多影像辨識(第20-1頁)
- 20.1 產生或設計自己的辨識圖片(第20-1頁)
- 20.2 建立自己的訓練圖庫(第20-3頁)
- 20.3 訓練自己的圖庫(第20-4頁)
- 20.4 結合攝影機即時判斷自己訓練的圖庫(第20-7頁)
- 20.5 使用 VGG16 來訓練和測試自己的圖庫(第20-8頁)
- 20.6 OpenCV 找出多個物體(第20-13頁)
- 20.7 多物件的預測(第20-18頁)
- 20.8 抓取攝影機 WebCam 做多物件的預測(第20-20頁)
- 20.9 即時辨識身分證上的數字(第20-21頁)
- 21 多影像辨識技術(第21-1頁)
- 21.1 Object detection 多對象檢測和多影像辨識技術(第21-1頁)
- 21.2 MASK R-CNN 介紹(第21-2頁)
- 21.3 MASK R-CNN 使用(第21-3頁)
- 21.4 取得預測率和物件位置(第21-5頁)
- 21.5 MASK R-CNN 結合 OpenCV 和攝影機即時辨識(第21-8頁)
- 21.6 透過 MASK R-CNN 判斷影片上的多物件和儲存影片(第21-11頁)
- 21.7 準備訓練自己的 MASK R-CNN 權重檔(第21-12頁)
- 21.8 訓練自己的 MASK R-CNN 權重檔(第21-17頁)
- 21.9 測試自己訓練的物體(第21-18頁)
- 21.10 測試自己訓練的物體程式說明(第21-19頁)
- 21.11 使用 MASK R-CNN 辨識多個氣球的位置(第21-23頁)
- 21.12 TensorFlow 1.14 轉為 TensorFlow 2.1版本(第21-26頁)
紙本書 NT$ 560
單本電子書
NT$
560
同分類熱門書
PDF
PDF
PDF
