hiskio

    TensorFlow 2.x人工智慧、機器學習超炫範例200+

    【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

    收集中
    US$17.52
    【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！

    【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

    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。

    章節目錄

    1-1封面頁
    1-2書名頁
    1-3序
    1-4目錄
    1-5Ch01 Python 程式語言
    1-61.1 Python 程式語言的介紹
    1-71.2 Python 歷史
    1-81.3 Python 版本
    1-9Ch02 Python 程式語言安裝
    1-102.1 在Windows 作業系統安裝Python
    1-112.2 在Windows 測試與執行Python
    1-122.3 在Mac 作業系統安裝Python
    1-132.4 在Mac 測試與執行Python
    1-142.5 在樹莓派和Linux 安裝Python
    1-152.6 在Linux 或樹莓派測試與執行Python
    1-16Ch03 開發程式和工具
    1-173.1 我的第一個Python 程式－Windows 版
    1-183.2 我的第一個Python 程式－Mac、Linux 和樹莓派版
    1-193.3 開發和除錯工具－PyCharm 下載和安裝
    1-203.4 PyCharm 工具介紹
    1-213.5 建立專案
    1-223.6 除錯
    1-233.7 安裝其他的Packages 函式庫
    1-243.8 安裝Anaconda
    1-253.9 使用Anaconda
    1-263.10 Pip 安裝套件
    1-273.11 本書需要安裝的第三方函式庫列表
    1-28Ch04 TensorFlow 介紹和安裝
    1-294.1 tensorflow 介紹
    1-304.2 安裝TensorFlow
    1-314.3 TensorFlow 測試
    1-324.4 Tensorflow GPU 版
    1-33Ch05 TensorFlow 的類別神經網路－MLP 快速上手
    1-345.1 人工智能開發的步驟
    1-355.2 產生訓練資料
    1-365.3 建立模型
    1-375.4 編譯
    1-385.5 訓練
    1-395.6 評估正確率
    1-405.7 預測
    1-41Ch06 TensorFlow 改善類神經模型MLP 的正確率
    1-426.1 模型model 不同的寫法
    1-436.2 TensorFlow 與Keras 函式程式庫的關係和差異
    1-446.3 標籤處理One-hot Encoding 單熱編碼
    1-456.4 處理多個特徵值
    1-466.5 改善預測結果－深度學習訓練次數epochs
    1-476.6 改善預測結果－深度學習訓練每次訓練的資料量batch_size
    1-486.7 改善預測結果－增加神經元
    1-496.8 改善預測結果－增加隱藏層
    1-506.9 改善訓練結果－增加訓練資料集
    1-516.10 如何達到預測 100％ 正確？
    1-52Ch07 TensorFlow 神經網路模型實戰案例
    1-537.1 鳶尾花的種類判斷
    1-547.2 鳶尾花植物辨識資料程式庫
    1-557.3 使用Python 處理Excel 檔案
    1-567.4 鳶尾花資料下載和儲存到Excel 檔案
    1-577.5 多層感知器模型MLP（multilayer perceptron）
    1-587.6 使用TensorFlow.keras 建立模型
    1-597.7 實戰案例－澳洲Canberra 坎培拉天氣預測
    1-607.8 Excel 資料的讀取和儲存
    1-617.9 讀取、處理和儲存CSV
    1-627.10 處理天氣記錄的Excel 資料
    1-637.11 使用神經網路MLP 預測天氣
    1-64Ch08 TensorFlow 神經網路－神經元
    1-658.1 神經網路圖形工具介紹－TensorFlow Playground
    1-668.2 神經網路圖形工具介紹－對應的Tensorflow 資料
    1-678.3 神經網路圖形工具介紹－對應的Tensorflow 程式
    1-688.4 調整隱藏層和神經元
    1-698.5 實戰－用最少的隱藏層和神經元區分資料
    1-708.6 透過Tensorflow 計算出weight 權重和bias 偏移量
    1-718.7 神經元的權重和偏移量計算式
    1-728.8 用TensorFlow 畫出神經元的weight 權重和bias 偏移量
    1-738.9 binary_crossentropy 二元分類法的處理
    1-748.10 自訂資料驗證regression 迴歸和神經元的關係
    1-758.11 激勵函式ReLU、sigmoid 和tanh
    1-768.12 多個神經元
    1-77Ch09 MLP 神經網路－數學理論
    1-789.1 激勵函式sigmoid 的數學理論
    1-799.2 激勵函式Tanh 的數學理論
    1-809.3 激勵函式Relu 的數學理論
    1-819.4 激勵函式的用意
    1-829.5 多層感知器（Multilayer Perceptron，MLP）計算公式
    1-839.6 二層神經元的數學計算
    1-84Ch10 TensorFlow 神經網路隱藏層
    1-8510.1 隱藏層Hidden Layer 的目的
    1-8610.2 隱藏層Hidden Layer 的數學
    1-8710.3 MLP 例子XOR problem
    1-8810.4 空間轉換
    1-8910.5 再次切割
    1-9010.6 隱藏層Hidden Layer 的用意
    1-91Ch11 TensorFlow 最短路徑演算法
    1-9211.1 圖形顯示訓練過程歷史
    1-9311.2 深度學習最佳化－最短路徑演算法
    1-9411.3 最佳化－Adam 演算法
    1-9511.4 最佳化－SGD 演算法
    1-9611.5 最佳化－RMSprop 演算法
    1-9711.6 最佳化－Adagrad、Adadelta、Nadam、Momentum 演算法
    1-9811.7 最佳化－演算法如何挑選？
    1-9911.8 特徵值數據標準化
    1-10011.9 最佳化－Learning rate 學習效率
    1-10111.10 編譯模型的metrics 指標
    1-102Ch12 TensorFlow 存取模型和訓練結果
    1-10312.1 TensorBoard 的使用
    1-10412.2 儲存檔案模型和訓練後的結果
    1-10512.3 讀取使用訓練模型和訓練後的結果
    1-10612.4 透過Callback 每次訓練就儲存權重一次
    1-10712.5 自動判斷是否需要訓練模型
    1-10812.6 分批繼續訓練
    1-109Ch13 TensorFlow 神經網路MLP－迴歸
    1-11013.1 TensorFlow 神經網路MLP－迴歸
    1-11113.2 類神經迴歸的metrics 指標
    1-11213.3 單次梯度更新train_on_batch
    1-11313.4 損失函式 Loss vs 代價函式 Cost
    1-11413.5 波士頓房屋價格的數據庫分析
    1-11513.6 波士頓房屋價格資料下載儲存到Excel和CSV
    1-11613.7 波士頓房屋價格的數據庫分析－特徵關係
    1-11713.8 迴歸類神經實戰案例－波士頓房屋價格的預測
    1-11813.9 調整神經網路MLP 迴歸更加準確
    1-11913.10 MLP 迴歸分批繼續訓練
    1-12013.11 波士頓房屋價格的預測單次梯度更新
    1-121Ch14 實戰圖形辨識
    1-12214.1 圖形辨識原理
    1-12314.2 將圖片轉換成特徵值如
    1-12414.3 多層感知器MLP 實戰圖形辨識
    1-12514.4 實戰手寫圖片MNIST
    1-12614.5 MNIST 每一筆的Image 資料內容
    1-12714.6 圖形顯示MNIST 內的資料
    1-12814.7 顯示多張圖片
    1-12914.8 圖形文字的辨識原理
    1-13014.9 圖形資料轉換成MLP 訓練資料
    1-13114.10 使用MLP 來辨識圖片和文字
    1-13214.11 實戰－服飾的圖形辨識Fashion-MNIST
    1-13314.12 圖形化顯示Fashion_MNIST 服飾資料
    1-13414.13 使用MLP 來辨識衣服、褲子、鞋子
    1-135Ch15 卷積神經網路CNN
    1-13615.1 什麼是卷積類神經（CNN）？
    1-13715.2 CNN 和MLP 的差異
    1-13815.3 CNN 快速上手
    1-13915.4 CNN 做手寫圖片辨識－特徵值的處理
    1-14015.5 CNN 做手寫圖片辨識－模型
    1-14115.6 CNN 做手寫圖片辨識－訓練和預測
    1-14215.7 CNN 做手寫圖片辨識－減少訓練時間
    1-14315.8 CNN 提高辨識率
    1-14415.9 實戰CNN 判別服飾種類
    1-14515.10 實戰CNN 彩色圖片的辨識Cifar10 飛機、車輛
    1-14615.11 實戰CNN 辨識100 種人物和物體的Cifar100
    1-14715.12 實戰Tensorflow datasets 函式庫
    1-14815.13 實戰Tensorflow datasets 函式庫Food101，101 種食物辨識
    1-149Ch16 OpenCV 和TensorFlow 卷積神經網路CNN 即時 辨識
    1-15016.1 OpenCV 介紹和安裝架設
    1-15116.2 OpenCV 顯示圖片
    1-15216.3 OpenCV 攝影機
    1-15316.4 OpenCV 儲存照片
    1-15416.5 實戰透過攝影機辨識的一個手寫數字
    1-15516.6 OpenCV 手寫程式
    1-15616.7 即時手寫辨識APP
    1-15716.8 改善實際運用上的準確度
    1-15816.9 二值化
    1-159Ch17 卷積神經網路原理
    1-16017.1 卷積類神經（CNN）Conv2D 原理和數學
    1-16117.2 卷積類神經Conv2D 圖片每個點的處理
    1-16217.3 卷積類神經Conv2D 邊緣的處理
    1-16317.4 卷積類神經圖形化輸出
    1-16417.5 卷積類神經kernel_size 和padding 的差異
    1-16517.6 卷積類神經filter 濾鏡數量的意義
    1-16617.7 卷積類神經activation 激勵函式的意義
    1-16717.8 卷積類神經多層Conv2D
    1-16817.9 卷積類神經多層池化層Max Pooling
    1-16917.10 卷積類神經多層池化層Average Pooling
    1-170Ch18 卷積神經網路準確率技巧
    1-17118.1 ImageDataGenerator 產生更多訓練資料
    1-17218.2 width_shift_range 水平移動
    1-17318.3 rotation_range 旋轉圖片
    1-17418.4 zoom_range 縮放圖片
    1-17518.5 brightness_range 明暗度
    1-17618.6 height_shift_range 上下、fill_mode空白處理、cval 指定空白顏色
    1-17718.7 將ImageDataGenerator 用在MNIST數據
    1-17818.8 二值化和更多神經元
    1-17918.9 MNIST 手寫預測
    1-18018.10 錯誤率列表Confusion Matrix 混淆矩陣
    1-181Ch19 圖學網路應用模組
    1-18219.1 圖學網路應用模組
    1-18319.2 使用VGG16 預測一千種物件
    1-18419.3 自製VGG16 模型
    1-18519.4 將模型儲存成圖片
    1-18619.5 使用VGG16 模型做cifar10 彩色數據訓練
    1-18719.6 使用VGG16 模型做MNIST_fashion 灰階數據訓練
    1-18819.7 使用攝影機和VGG16 模型即時辨識一萬種物件
    1-18919.8 圖學網路應用模組VGG19
    1-19019.9 圖學網路應用模組ResNet50
    1-19119.10 圖學網路應用模組Xception
    1-19219.11 圖學網路應用模組InceptionV3
    1-19319.12 圖學網路應用模組InceptionResNetV2
    1-19419.13 圖學網路應用模組NASNetLarge
    1-19519.14 圖學網路應用模組DenseNet121
    1-196Ch20 實戰多影像辨識
    1-19720.1 產生或設計自己的辨識圖片
    1-19820.2 建立自己的訓練圖庫
    1-19920.3 訓練自己的圖庫
    1-20020.4 結合攝影機即時判斷自己訓練的圖庫
    1-20120.5 使用VGG16 來訓練和測試自己的圖庫
    1-20220.6 OpenCV 找出多個物體
    1-20320.7 多物件的預測
    1-20420.8 抓取攝影機WebCam 做多物件的預測
    1-20520.9 即時辨識身分證上的數字
    1-206Ch21 多影像辨識技術
    1-20721.1 Object detection 多對象檢測和多影像辨識技術
    1-20821.2 MASK R-CNN 介紹
    1-20921.3 MASK R-CNN 使用
    1-21021.4 取得預測率和物件位置
    1-21121.5 MASK R-CNN 結合OpenCV 和攝影機即時辨識
    1-21221.6 透過MASK R-CNN判斷影片上的多物件和儲存影片
    1-21321.7 準備訓練自己的MASK R-CNN 權重檔
    1-21421.8 訓練自己的MASK R-CNN 權重檔
    1-21521.9 測試自己訓練的物體
    1-21621.10 測試自己訓練的物體程式說明
    1-21721.11 使用MASK R-CNN 辨識多個氣球的位置
    1-21821.12 TensorFlow 1.14 轉為 TensorFlow 2.1版本
    1-219版權頁
    1-220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