Python機器學習與深度學習特訓班(第二版):看得懂也會做的AI人工智慧實戰

    國內外最具代表性案例,9大專題實戰、15個分類實例

    收集中
    US$16.18
    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

    章節目錄

    1-1封面頁
    1-2書名頁
    1-3關於文淵閣工作室
    1-4前言
    1-5學習資源說明
    1-6目錄
    1-7CH01 打造開發環境:TensorFlow 和 Keras
    1-81.1 人工智慧、機器學習和深度學習的關係
    1-91.2 什麼是機器學習?
    1-101.2.1 認識機器學習
    1-111.2.2 機器學習的訓練資料
    1-121.2.3 機器學習的訓練和預測
    1-131.3 什麼是深度學習?
    1-141.4 TensorFlow 與Keras
    1-151.4.1 認識TensorFlow
    1-161.4.2 認識Keras
    1-171.5 建置 Anaconda 開發環境
    1-181.5.1 安裝 Anaconda
    1-191.5.2 Anaconda Prompt 管理模組
    1-201.6 TensorFlow 及Keras 的安裝
    1-211.7 設定TensorFlow 的GPU 支援
    1-221.7.1 查看顯示卡是否支援 CUDA
    1-231.7.2 下載和安裝 CUDA Toolkit
    1-241.7.3 下載和安裝 cuDNN
    1-251.7.4 測試 TensorFlow GPU 是否安裝成功
    1-26CH02 機器學習起點:多層感知器 (MLP)
    1-272.1 認識多層感知器 (MLP)
    1-282.1.1 認識神經網路
    1-292.1.2 多層感知器的運作
    1-302.2 認識 MNIST 資料集
    1-312.2.1 下載與讀取MNIST 資料集
    1-322.2.2 查看訓練資料
    1-332.2.3 查看多筆訓練資料
    1-342.3 多層感知器模型資料預處理
    1-352.3.1 Feature 資料預處理
    1-362.3.2 Label 資料預處理
    1-372.4 多層感知器實戰:MNIST 手寫數字圖片辨識
    1-382.4.1 多層感知器訓練和預測
    1-392.4.2 多層感知器手寫數字圖片辨識流程
    1-402.4.3 資料預處理
    1-412.4.4 建立多層感知器模型
    1-422.4.5 訓練模型
    1-432.4.6 評估準確率
    1-442.4.7 進行預測
    1-452.4.8 完整程式碼
    1-462.5 模型儲存和載入
    1-472.5.1 模型儲存
    1-482.5.2 載入模型
    1-492.5.3 預測自己的數字圖片
    1-502.6 模型權重的儲存和載入
    1-512.7 建立多個隱藏層
    1-522.7.1 過渡擬合 (Overfitting)
    1-532.7.2 加入拋棄層(DropOut) 避免過渡擬合
    1-542.7.3 建立含有多個隱藏層的多層感知器
    1-55CH03 影像識別神器:卷積神經網絡 (CNN)
    1-563.1 卷積神經網路 (CNN) 基本結構
    1-573.1.1 卷積神經網路結構圖
    1-583.1.2 卷積層 (Convolution Layer)
    1-593.1.3 池化層 (Pooling Layer)
    1-603.1.4 第 2 次的卷積、池化處理
    1-613.2 認識Kaggle Cats and Dogs Dataset 資料集
    1-623.2.1 下載與讀取Kaggle Cats and Dogs Dataset 資料集
    1-633.2.2 建立訓練資料和測試資料
    1-643.3 卷積神經網路實戰:貓狗圖片辨識
    1-653.3.1 kagglecatsanddogs 圖片辨識卷積神經網路模型
    1-663.3.2 卷積神經網路貓狗圖片辨識流程
    1-673.3.3 資料預處理
    1-683.3.4 建立卷積神經網路模型
    1-693.3.5 觀察模型
    1-703.3.6 訓練模型
    1-713.3.7 評估準確率
    1-723.3.8 進行預測
    1-733.3.9 完整程式碼
    1-743.4 模型權重的儲存和載入
    1-753.4.1 模型儲存
    1-763.4.2 載入模型
    1-773.4.3 預測自己下載的貓狗圖片
    1-78CH04 自然語言處理利器:循環神經網路 (RNN)
    1-794.1 循環神經網路 (RNN) 基本結構
    1-804.1.1 循環神經網路結構圖
    1-814.1.2 循環神經網路層 (RNN Layer)
    1-824.2 認識外幣匯率查詢資料集
    1-834.2.1 下載外幣匯率查詢資料集
    1-844.2.2 繪製外幣匯率趨勢圖
    1-854.3 循環神經網路外幣匯率預測
    1-864.3.1 外幣匯率預測循環神經網路模型
    1-874.3.2 循環神經網路外幣匯率預測流程
    1-884.3.3 資料預處理
    1-894.3.4 建立循環神經網路模型
    1-904.3.5 訓練模型
    1-914.3.6 完整程式碼
    1-924.4 模型權重的儲存和載入
    1-934.4.1 模型儲存
    1-944.4.2 載入模型
    1-954.5 長短期記憶(LSTM)
    1-964.5.1 建立LSTM 循環神經網路
    1-974.5.2 以LSTM 訓練模型檔預測匯率
    1-98CH05 機器學習雲端開發工具:Google Colab
    1-995.1 Colab:功能強大的虛擬機器
    1-1005.1.1 Colab 介紹
    1-1015.1.2 Colab 建立記事本
    1-1025.1.3 Jupyter Notebook 基本操作
    1-1035.1.4 Colab 連接Google Drive 雲端硬碟
    1-1045.1.5 執行Linux 命令
    1-1055.2 在Colab 中進行機器學習
    1-1065.2.1 CIFAR-10 資料集簡介
    1-1075.2.2 Colab 中訓練模型
    1-1085.2.3 Colab 中使用模型
    1-109CH06 體驗機器學習雲端平台:Microsoft Azure
    1-1106.1 專題方向
    1-1116.2 電腦視覺資源
    1-1126.2.1 建立 Azure 帳號
    1-1136.2.2 建立電腦視覺資源
    1-1146.2.3 使用Azure API 程式基本語法
    1-1156.2.4 辨識印刷體文字
    1-1166.2.5 辨識手寫文字
    1-1176.2.6 分析遠端圖片
    1-1186.2.7 分析本機圖片
    1-1196.2.8 辨識圖片地標或名人
    1-1206.3 臉部辨識資源
    1-1216.3.1 臉部偵測
    1-1226.3.2 人臉比對
    1-1236.4 文字語言翻譯資源
    1-1246.4.1 語言識別
    1-1256.4.2 文字翻譯
    1-126CH07 臉部辨識登入系統:Azure 臉部辨識應用
    1-1277.1 專題方向
    1-1287.2 Azure 臉部客戶端程式庫
    1-1297.2.1 人臉偵測
    1-1307.2.2 人臉比對
    1-1317.2.3 尋找類似臉部
    1-1327.2.4 建立並訓練人員群組
    1-1337.2.5 使用人員群組
    1-1347.3 刷臉登入系統
    1-1357.3.1 擷取攝影機影像
    1-1367.3.2 申請Imgur 網站App Token
    1-1377.3.3 上傳圖片到Imgur
    1-1387.3.4 刷臉登入程式
    1-139CH08 自然語言處理:文字雲與文章自動摘要
    1-1408.1 專題方向
    1-1418.2 Jieba 模組
    1-1428.2.1 Jieba 模組基本用法
    1-1438.2.2 更改詞庫
    1-1448.2.3 加入停用詞
    1-1458.3 文字雲
    1-1468.3.1 wordcloud 模組
    1-1478.3.2 中時新聞網文字雲
    1-1488.4 文章自動摘要
    1-1498.4.1 文章自動摘要原理
    1-1508.4.2 文章自動摘要範例
    1-1518.4.3 文章自動摘要應用:中時新聞網新聞摘要
    1-152CH09 語音辨識應用:YouTube 影片加上字幕
    1-1539.1 專題方向
    1-1549.2 語音辨識
    1-1559.2.1 SpeechRecognition 模組
    1-1569.2.2 由 YouTube 取得語音檔
    1-1579.2.3 建立影片文字檔
    1-1589.3 影片字幕製作軟體:Aegisub
    1-1599.3.1 安裝 Aegisub
    1-1609.3.2 製作字幕
    1-1619.3.3 字幕預覽、修改及存檔
    1-1629.3.4 上傳字幕檔到 YouTube
    1-163CH10 投資預測實證:股票分析
    1-16410.1 專題方向
    1-16510.2 台灣股市資訊模組:twstock
    1-16610.2.1 查詢歷史股票資料
    1-16710.2.2 查詢股票即時交易資訊
    1-16810.3 股票分析
    1-16910.3.1 單月個股統計圖
    1-17010.3.2 全年個股統計圖
    1-17110.3.3 以plotly 繪製全年個股統計圖
    1-17210.4 股票預測
    1-173CH11 自動標示物件:用Haar特徵分類器擷取車牌
    1-17411.1 專題方向
    1-17511.2 準備訓練 Haar 特徵分類器資料
    1-17611.2.1 認識Haar 特徵分類器
    1-17711.2.2 處理正樣本及實測圖片
    1-17811.2.3 處理負樣本圖片
    1-17911.3 建立車牌號碼 Haar 特徵分類器模型
    1-18011.3.1 處理Haar 特徵分類器模型的檔案結構
    1-18111.3.2 加入正、負樣本
    1-18211.3.3 正樣本標記資料
    1-18311.3.4 顯示及修改框選區域
    1-18411.3.5 調整框選區域寬高比
    1-18511.3.6 增加車牌數量
    1-18611.3.7 訓練Haar 特徵分類器
    1-18711.4 使用 Haar 特徵分類器模型
    1-18811.4.1 Haar 特徵分類器模型語
    1-18911.4.2 車牌號碼偵測
    1-190CH12 無所遁形術:即時車牌影像辨識
    1-19112.1 專題方向
    1-19212.2 車牌號碼機器學習訓練資料
    1-19312.2.1 原始圖片轉換尺寸
    1-19412.2.2 擷取車牌號碼圖形
    1-19512.2.3 以輪廓偵測分割車牌號碼文字
    1-19612.2.4 建立機器學習分類文字庫
    1-19712.2.5 擴充機器學習分類文字庫
    1-19812.3 建立車牌辨識系統
    1-19912.3.1 建立車牌號碼辨識模型
    1-20012.3.2 使用車牌號碼模型
    1-20112.3.3 車牌辨識系統
    1-20212.3.4 批次辨識車牌
    1-203版權頁
    1-204封底頁

    常見問答

    您可以透過手機、平板或是電腦登入 HiSKIO 平台,在【我的學習】>【我的書籍】頁面,選擇想看的電子書。

    猜你喜歡

    用戶評價

    | 收集中

    銷售方案