PDF JPG
本書有DRM加密保護,需使用HyRead閱讀軟體開啟
  • Python機器學習與深度學習特訓班:看得懂也會做的AI人工智慧實戰
  • 點閱:926
    348人已收藏
  • 並列題名:Machine learning and deep learning with Python
  • 作者: 文淵閣工作室編著
  • 出版社:碁峰資訊
  • 出版年:2021
  • ISBN:9789865026783
  • EISBN:9789865029470 PDF
  • 格式:PDF,JPG
  • 附註:第二版 本電子書附件請至學習資源說明連結下載 原紙本書ISBN: 9789865026783

國內外最具代表性案例,9大專題實戰、15個分類實例 
Google Colab、Microsoft Azure兩大雲端應用,人臉辨識、自然語言、 
文字識別、語音轉換、分析預測、物件自動標示、影像辦識真正實練, 
從資料收集整理、模型訓練調整,檢測修正到產出全面解秘! 
 

  資料科學(Data Science)技術崛起後,人工智慧(Artificial Intelligence)、機器學習(Machine Learning)與深度學習(Deep Learning)儼然成為電腦科學最熱門的話題。其實,人工智慧的應用早已出現在我們生活周遭,如即時車牌影像辨識,以及智慧型手機中的臉部指紋辨識解鎖、影像轉文字翻譯、智慧語音助理…等。 
 
  在人工智慧領域中最重要也最適合作為入門的程式語言非Python莫屬。本書就以TensorFlow、Keras為基底,運用Python進行實作,深入人工智慧技術,掌握機器學習與深度學習的真正強大應用。 
 
  程式人、工程師挑戰人工智慧最佳學習地圖 
  由類神經網路基礎到AI應用實戰 
  訓練、模型、預測、辨識、分析與驗證 
  全面深入機器學習與深度學習技術核心 
 
  ■打造專屬Python、TensorFlow與Keras最強開發環境。 
   
  ■圖解簡化複雜難懂的類神經網路觀念,涵蓋多層感知器(MLP)、卷積神經網路(CNN)與循環神經網路(RNN)。 
 
  ■整合最夯的人工智慧雲端開發平台:Google Colab,應用雲端提供的充沛資源,全面提升運算效能。 
 
  ■加碼最新的機器學習雲端應用平台:Microsoft Azure,連結功能強大、方向多元的Web API,豐富專業應用領域。 
 
  ■顛覆只重視理論或產生結果的傳統機器學習內容,實際挑戰從資料收集與準備、模型訓練與調整、檢測修正到結果產出的最完整機器學習實戰流程。 
 
  ■全面深入不同應用面向: 
  印刷文字辨識、手寫文字辨識、遠端圖片分析、本機圖片分析、辨識圖片地標或名人、臉部辨識、人臉比對、語言識別、文字翻譯、黑白照片上色、人臉情緒偵測、圖片物件偵測、人工智慧製作縮圖、圖片場景偵測、汽車型號及年份偵測、自動標示物件、資料走勢預測… 
 
  ■網羅國內外最具代表性案例: 
  手寫文字辨識、圖片分類、即時匯率分析、文字雲與文章自動摘要、YouTube影片加上字幕、股票走勢分析、臉部辨識登入系統、擷取車牌、即時車牌影像辨識…等,進行有系統而扎實的真正演練。 
 
  ■一次領略機器學習與深度學習的重要關鍵話題: 
  TensorFlow、Keras、Anaconda、Spyder、Jupyter Notebook、CUDA、cuDNN、MLP、Mnist、CNN、RNN、LSTM、Colab、Azure、Cognitive Services、Computer Vision、Face API、Language API、Text Analytics、Translator Text、Algorithmia、Jieba、wordcloud、SpeechRecognition、Aegisub、twstock、plotly、SQLite、SQLite Database Browser、Haar… 
 
  ■針對專案實戰提供關鍵影音輔助教學,加速學習效率。 
 
  超值學習資源:120分鐘關鍵影音教學/範例程式檔/一探演算法雲端寶庫:Algorithmia教學PDF 
 
感謝讀者好評
 
  “很棒的書,我完全沒有深度學習和機器學習的任何知識,只有Python的基礎知識,也覺得書中的說明很快就讓我了解了。” --abedul 
 
  “此書把繁雜的演算法理論以圖像化的方式呈現,可以幫助我們快速了解深度學習的核心概念,讓學習門檻降低許多,而且還提供了很多實用的實作範例,是一本入門深度學習的好書…” --Victor

作者簡介
 
文淵閣工作室
 
  一個致力於資訊圖書創作二十餘載的工作團隊,擅長用輕鬆詼諧的筆觸,深入淺出介紹難懂的 IT 技術,並以範例帶領讀者學習電腦應用的大小事。 

 
  我們不賣弄深奧的專有名辭,奮力堅持吸收新知的態度,誠懇地與讀者分享在學習路上的點點滴滴,讓軟體成為每個人改善生活應用、提昇工作效率的工具。 
 
  舉凡程式開發、文書處理、美工動畫、攝影修片、網頁製作,都是我們專注的重點,而不同領域有各自專業的作者組成,以進行書籍的規劃與編寫。一直以來,感謝許多讀者與學校老師的支持,選定為自修用書或授課教材。衷心期待能盡我們的心力,幫助每一位讀者燃燒心中的小宇宙,用學習的成果在自己的領域裡發光發熱! 
 
  我們期待自己能在每一本創作中注入快快樂樂的心情來分享, 也期待讀者能在這樣的氛圍下快快樂樂的學習。 
 
  官方網站:www.e-happy.com.tw 
  FB粉絲團:www.facebook.com/ehappytw
  • Chapter 01 打造開發環境:TensorFlow 和 Keras(第1-1頁)
    • 1.1 人工智慧、機器學習和深度學習的關係(第1-2頁)
    • 1.2 什麼是機器學習?(第1-4頁)
    • 1.3 什麼是深度學習?(第1-6頁)
    • 1.4 TensorFlow 與 Keras(第1-7頁)
    • 1.5 建置 Anaconda 開發環境(第1-9頁)
    • 1.6 TensorFlow 及 Keras 的安裝(第1-15頁)
    • 1.7 設定 TensorFlow 的 GPU 支援(第1-16頁)
  • Chapter 02 機器學習起點:多層感知器 (MLP)(第2-1頁)
    • 2.1 認識多層感知器 (MLP)(第2-2頁)
    • 2.2 認識 MNIST 資料集(第2-7頁)
    • 2.3 多層感知器模型資料預處理(第2-11頁)
    • 2.4 多層感知器實戰:MNIST 手寫數字圖片辨識(第2-13頁)
    • 2.5 模型儲存和載入(第2-22頁)
    • 2.6 模型權重的儲存和載入(第2-26頁)
    • 2.7 建立多個隱藏層(第2-29頁)
  • Chapter 03 影像識別神器:卷積神經網絡 (CNN)(第3-1頁)
    • 3.1 卷積神經網路 (CNN) 基本結構(第3-2頁)
    • 3.2 認識 Kaggle Cats and Dogs Dataset 資料集(第3-5頁)
    • 3.3 卷積神經網路實戰:貓狗圖片辨識(第3-11頁)
    • 3.4 模型權重的儲存和載入(第3-22頁)
  • Chapter 04 自然語言處理利器:循環神經網路 (RNN)(第4-1頁)
    • 4.1 循環神經網路 (RNN) 基本結構(第4-2頁)
    • 4.2 認識外幣匯率查詢資料集(第4-5頁)
    • 4.3 循環神經網路外幣匯率預測(第4-8頁)
    • 4.4 模型權重的儲存和載入(第4-18頁)
    • 4.5 長短期記憶 (LSTM)(第4-21頁)
  • Chapter 05 機器學習雲端開發工具:Google Colab(第5-1頁)
    • 5.1 Colab:功能強大的虛擬機器(第5-2頁)
    • 5.2 在 Colab 中進行機器學習(第5-14頁)
  • Chapter 06 體驗機器學習雲端平台:Microsoft Azure(第6-1頁)
    • 6.1 專題方向(第6-2頁)
    • 6.2 電腦視覺資源(第6-3頁)
    • 6.3 臉部辨識資源(第6-17頁)
    • 6.4 文字語言翻譯資源(第6-23頁)
  • Chapter 07 臉部辨識登入系統:Azure 臉部辨識應用(第7-1頁)
    • 7.1 專題方向(第7-2頁)
    • 7.2 Azure 臉部客戶端程式庫(第7-3頁)
    • 7.3 刷臉登入系統(第7-18頁)
  • Chapter 08 自然語言處理:文字雲與文章自動摘要(第8-1頁)
    • 8.1 專題方向(第8-2頁)
    • 8.2 Jieba 模組(第8-3頁)
    • 8.3 文字雲(第8-11頁)
    • 8.4 文章自動摘要(第8-20頁)
  • Chapter 09 語音辨識應用:YouTube 影片加上字幕(第9-1頁)
    • 9.1 專題方向(第9-2頁)
    • 9.2 語音辨識(第9-3頁)
    • 9.3 影片字幕製作軟體:Aegisub(第9-11頁)
  • Chapter 10 投資預測實證:股票分析(第10-1頁)
    • 10.1 專題方向(第10-2頁)
    • 10.2 台灣股市資訊模組:twstock(第10-3頁)
    • 10.3 股票分析(第10-7頁)
    • 10.4 股票預測(第10-16頁)
  • Chapter 11 自動標示物件:用 Haar 特徵分類器擷取車牌(第11-1頁)
    • 11.1 專題方向(第11-2頁)
    • 11.2 準備訓練 Haar 特徵分類器資料(第11-3頁)
    • 11.3 建立車牌號碼 Haar 特徵分類器模型(第11-9頁)
    • 11.4 使用 Haar 特徵分類器模型(第11-23頁)
  • Chapter 12 無所遁形術:即時車牌影像辨識(第12-1頁)
    • 12.1 專題方向(第12-2頁)
    • 12.2 車牌號碼機器學習訓練資料(第12-3頁)
    • 12.3 建立車牌辨識系統(第12-16頁)
紙本書 NT$ 520
單本電子書
NT$ 520

還沒安裝 HyRead 3 嗎?馬上免費安裝~
QR Code