hiskio

    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

    Collecting
    US$16.19
    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

    Content

    • 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
    • 1-7
      CH01 打造開發環境：TensorFlow 和 Keras
    • 1-8
      1.1 人工智慧、機器學習和深度學習的關係
    • 1-9
      1.2 什麼是機器學習？
    • 1-10
      1.2.1 認識機器學習
    • 1-11
      1.2.2 機器學習的訓練資料
    • 1-12
      1.2.3 機器學習的訓練和預測
    • 1-13
      1.3 什麼是深度學習？
    • 1-14
      1.4 TensorFlow 與Keras
    • 1-15
      1.4.1 認識TensorFlow
    • 1-16
      1.4.2 認識Keras
    • 1-17
      1.5 建置 Anaconda 開發環境
    • 1-18
      1.5.1 安裝 Anaconda
    • 1-19
      1.5.2 Anaconda Prompt 管理模組
    • 1-20
      1.6 TensorFlow 及Keras 的安裝
    • 1-21
      1.7 設定TensorFlow 的GPU 支援
    • 1-22
      1.7.1 查看顯示卡是否支援 CUDA
    • 1-23
      1.7.2 下載和安裝 CUDA Toolkit
    • 1-24
      1.7.3 下載和安裝 cuDNN
    • 1-25
      1.7.4 測試 TensorFlow GPU 是否安裝成功
    • 1-26
      CH02 機器學習起點：多層感知器 (MLP)
    • 1-27
      2.1 認識多層感知器 (MLP)
    • 1-28
      2.1.1 認識神經網路
    • 1-29
      2.1.2 多層感知器的運作
    • 1-30
      2.2 認識 MNIST 資料集
    • 1-31
      2.2.1 下載與讀取MNIST 資料集
    • 1-32
      2.2.2 查看訓練資料
    • 1-33
      2.2.3 查看多筆訓練資料
    • 1-34
      2.3 多層感知器模型資料預處理
    • 1-35
      2.3.1 Feature 資料預處理
    • 1-36
      2.3.2 Label 資料預處理
    • 1-37
      2.4 多層感知器實戰：MNIST 手寫數字圖片辨識
    • 1-38
      2.4.1 多層感知器訓練和預測
    • 1-39
      2.4.2 多層感知器手寫數字圖片辨識流程
    • 1-40
      2.4.3 資料預處理
    • 1-41
      2.4.4 建立多層感知器模型
    • 1-42
      2.4.5 訓練模型
    • 1-43
      2.4.6 評估準確率
    • 1-44
      2.4.7 進行預測
    • 1-45
      2.4.8 完整程式碼
    • 1-46
      2.5 模型儲存和載入
    • 1-47
      2.5.1 模型儲存
    • 1-48
      2.5.2 載入模型
    • 1-49
      2.5.3 預測自己的數字圖片
    • 1-50
      2.6 模型權重的儲存和載入
    • 1-51
      2.7 建立多個隱藏層
    • 1-52
      2.7.1 過渡擬合 (Overfitting)
    • 1-53
      2.7.2 加入拋棄層(DropOut) 避免過渡擬合
    • 1-54
      2.7.3 建立含有多個隱藏層的多層感知器
    • 1-55
      CH03 影像識別神器：卷積神經網絡 (CNN)
    • 1-56
      3.1 卷積神經網路 (CNN) 基本結構
    • 1-57
      3.1.1 卷積神經網路結構圖
    • 1-58
      3.1.2 卷積層 (Convolution Layer)
    • 1-59
      3.1.3 池化層 (Pooling Layer)
    • 1-60
      3.1.4 第 2 次的卷積、池化處理
    • 1-61
      3.2 認識Kaggle Cats and Dogs Dataset 資料集
    • 1-62
      3.2.1 下載與讀取Kaggle Cats and Dogs Dataset 資料集
    • 1-63
      3.2.2 建立訓練資料和測試資料
    • 1-64
      3.3 卷積神經網路實戰：貓狗圖片辨識
    • 1-65
      3.3.1 kagglecatsanddogs 圖片辨識卷積神經網路模型
    • 1-66
      3.3.2 卷積神經網路貓狗圖片辨識流程
    • 1-67
      3.3.3 資料預處理
    • 1-68
      3.3.4 建立卷積神經網路模型
    • 1-69
      3.3.5 觀察模型
    • 1-70
      3.3.6 訓練模型
    • 1-71
      3.3.7 評估準確率
    • 1-72
      3.3.8 進行預測
    • 1-73
      3.3.9 完整程式碼
    • 1-74
      3.4 模型權重的儲存和載入
    • 1-75
      3.4.1 模型儲存
    • 1-76
      3.4.2 載入模型
    • 1-77
      3.4.3 預測自己下載的貓狗圖片
    • 1-78
      CH04 自然語言處理利器：循環神經網路 (RNN)
    • 1-79
      4.1 循環神經網路 (RNN) 基本結構
    • 1-80
      4.1.1 循環神經網路結構圖
    • 1-81
      4.1.2 循環神經網路層 (RNN Layer)
    • 1-82
      4.2 認識外幣匯率查詢資料集
    • 1-83
      4.2.1 下載外幣匯率查詢資料集
    • 1-84
      4.2.2 繪製外幣匯率趨勢圖
    • 1-85
      4.3 循環神經網路外幣匯率預測
    • 1-86
      4.3.1 外幣匯率預測循環神經網路模型
    • 1-87
      4.3.2 循環神經網路外幣匯率預測流程
    • 1-88
      4.3.3 資料預處理
    • 1-89
      4.3.4 建立循環神經網路模型
    • 1-90
      4.3.5 訓練模型
    • 1-91
      4.3.6 完整程式碼
    • 1-92
      4.4 模型權重的儲存和載入
    • 1-93
      4.4.1 模型儲存
    • 1-94
      4.4.2 載入模型
    • 1-95
      4.5 長短期記憶(LSTM)
    • 1-96
      4.5.1 建立LSTM 循環神經網路
    • 1-97
      4.5.2 以LSTM 訓練模型檔預測匯率
    • 1-98
      CH05 機器學習雲端開發工具：Google Colab
    • 1-99
      5.1 Colab：功能強大的虛擬機器
    • 1-100
      5.1.1 Colab 介紹
    • 1-101
      5.1.2 Colab 建立記事本
    • 1-102
      5.1.3 Jupyter Notebook 基本操作
    • 1-103
      5.1.4 Colab 連接Google Drive 雲端硬碟
    • 1-104
      5.1.5 執行Linux 命令
    • 1-105
      5.2 在Colab 中進行機器學習
    • 1-106
      5.2.1 CIFAR-10 資料集簡介
    • 1-107
      5.2.2 Colab 中訓練模型
    • 1-108
      5.2.3 Colab 中使用模型
    • 1-109
      CH06 體驗機器學習雲端平台：Microsoft Azure
    • 1-110
      6.1 專題方向
    • 1-111
      6.2 電腦視覺資源
    • 1-112
      6.2.1 建立 Azure 帳號
    • 1-113
      6.2.2 建立電腦視覺資源
    • 1-114
      6.2.3 使用Azure API 程式基本語法
    • 1-115
      6.2.4 辨識印刷體文字
    • 1-116
      6.2.5 辨識手寫文字
    • 1-117
      6.2.6 分析遠端圖片
    • 1-118
      6.2.7 分析本機圖片
    • 1-119
      6.2.8 辨識圖片地標或名人
    • 1-120
      6.3 臉部辨識資源
    • 1-121
      6.3.1 臉部偵測
    • 1-122
      6.3.2 人臉比對
    • 1-123
      6.4 文字語言翻譯資源
    • 1-124
      6.4.1 語言識別
    • 1-125
      6.4.2 文字翻譯
    • 1-126
      CH07 臉部辨識登入系統：Azure 臉部辨識應用
    • 1-127
      7.1 專題方向
    • 1-128
      7.2 Azure 臉部客戶端程式庫
    • 1-129
      7.2.1 人臉偵測
    • 1-130
      7.2.2 人臉比對
    • 1-131
      7.2.3 尋找類似臉部
    • 1-132
      7.2.4 建立並訓練人員群組
    • 1-133
      7.2.5 使用人員群組
    • 1-134
      7.3 刷臉登入系統
    • 1-135
      7.3.1 擷取攝影機影像
    • 1-136
      7.3.2 申請Imgur 網站App Token
    • 1-137
      7.3.3 上傳圖片到Imgur
    • 1-138
      7.3.4 刷臉登入程式
    • 1-139
      CH08 自然語言處理：文字雲與文章自動摘要
    • 1-140
      8.1 專題方向
    • 1-141
      8.2 Jieba 模組
    • 1-142
      8.2.1 Jieba 模組基本用法
    • 1-143
      8.2.2 更改詞庫
    • 1-144
      8.2.3 加入停用詞
    • 1-145
      8.3 文字雲
    • 1-146
      8.3.1 wordcloud 模組
    • 1-147
      8.3.2 中時新聞網文字雲
    • 1-148
      8.4 文章自動摘要
    • 1-149
      8.4.1 文章自動摘要原理
    • 1-150
      8.4.2 文章自動摘要範例
    • 1-151
      8.4.3 文章自動摘要應用：中時新聞網新聞摘要
    • 1-152
      CH09 語音辨識應用：YouTube 影片加上字幕
    • 1-153
      9.1 專題方向
    • 1-154
      9.2 語音辨識
    • 1-155
      9.2.1 SpeechRecognition 模組
    • 1-156
      9.2.2 由 YouTube 取得語音檔
    • 1-157
      9.2.3 建立影片文字檔
    • 1-158
      9.3 影片字幕製作軟體：Aegisub
    • 1-159
      9.3.1 安裝 Aegisub
    • 1-160
      9.3.2 製作字幕
    • 1-161
      9.3.3 字幕預覽、修改及存檔
    • 1-162
      9.3.4 上傳字幕檔到 YouTube
    • 1-163
      CH10 投資預測實證：股票分析
    • 1-164
      10.1 專題方向
    • 1-165
      10.2 台灣股市資訊模組：twstock
    • 1-166
      10.2.1 查詢歷史股票資料
    • 1-167
      10.2.2 查詢股票即時交易資訊
    • 1-168
      10.3 股票分析
    • 1-169
      10.3.1 單月個股統計圖
    • 1-170
      10.3.2 全年個股統計圖
    • 1-171
      10.3.3 以plotly 繪製全年個股統計圖
    • 1-172
      10.4 股票預測
    • 1-173
      CH11 自動標示物件：用Haar特徵分類器擷取車牌
    • 1-174
      11.1 專題方向
    • 1-175
      11.2 準備訓練 Haar 特徵分類器資料
    • 1-176
      11.2.1 認識Haar 特徵分類器
    • 1-177
      11.2.2 處理正樣本及實測圖片
    • 1-178
      11.2.3 處理負樣本圖片
    • 1-179
      11.3 建立車牌號碼 Haar 特徵分類器模型
    • 1-180
      11.3.1 處理Haar 特徵分類器模型的檔案結構
    • 1-181
      11.3.2 加入正、負樣本
    • 1-182
      11.3.3 正樣本標記資料
    • 1-183
      11.3.4 顯示及修改框選區域
    • 1-184
      11.3.5 調整框選區域寬高比
    • 1-185
      11.3.6 增加車牌數量
    • 1-186
      11.3.7 訓練Haar 特徵分類器
    • 1-187
      11.4 使用 Haar 特徵分類器模型
    • 1-188
      11.4.1 Haar 特徵分類器模型語
    • 1-189
      11.4.2 車牌號碼偵測
    • 1-190
      CH12 無所遁形術：即時車牌影像辨識
    • 1-191
      12.1 專題方向
    • 1-192
      12.2 車牌號碼機器學習訓練資料
    • 1-193
      12.2.1 原始圖片轉換尺寸
    • 1-194
      12.2.2 擷取車牌號碼圖形
    • 1-195
      12.2.3 以輪廓偵測分割車牌號碼文字
    • 1-196
      12.2.4 建立機器學習分類文字庫
    • 1-197
      12.2.5 擴充機器學習分類文字庫
    • 1-198
      12.3 建立車牌辨識系統
    • 1-199
      12.3.1 建立車牌號碼辨識模型
    • 1-200
      12.3.2 使用車牌號碼模型
    • 1-201
      12.3.3 車牌辨識系統
    • 1-202
      12.3.4 批次辨識車牌
    • 1-203
      版權頁
    • 1-204
      封底頁

    FAQ

    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。

    Recommendations

    Reviews

    | Collecting

    Sales Plans