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

    Collecting
    US$17.50
    【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。

    Content

    • 1-1
      封面頁
    • 1-2
      書名頁
    • 1-3
      序
    • 1-4
      目錄
    • 1-5
      Ch01 Python 程式語言
    • 1-6
      1.1 Python 程式語言的介紹
    • 1-7
      1.2 Python 歷史
    • 1-8
      1.3 Python 版本
    • 1-9
      Ch02 Python 程式語言安裝
    • 1-10
      2.1 在Windows 作業系統安裝Python
    • 1-11
      2.2 在Windows 測試與執行Python
    • 1-12
      2.3 在Mac 作業系統安裝Python
    • 1-13
      2.4 在Mac 測試與執行Python
    • 1-14
      2.5 在樹莓派和Linux 安裝Python
    • 1-15
      2.6 在Linux 或樹莓派測試與執行Python
    • 1-16
      Ch03 開發程式和工具
    • 1-17
      3.1 我的第一個Python 程式－Windows 版
    • 1-18
      3.2 我的第一個Python 程式－Mac、Linux 和樹莓派版
    • 1-19
      3.3 開發和除錯工具－PyCharm 下載和安裝
    • 1-20
      3.4 PyCharm 工具介紹
    • 1-21
      3.5 建立專案
    • 1-22
      3.6 除錯
    • 1-23
      3.7 安裝其他的Packages 函式庫
    • 1-24
      3.8 安裝Anaconda
    • 1-25
      3.9 使用Anaconda
    • 1-26
      3.10 Pip 安裝套件
    • 1-27
      3.11 本書需要安裝的第三方函式庫列表
    • 1-28
      Ch04 TensorFlow 介紹和安裝
    • 1-29
      4.1 tensorflow 介紹
    • 1-30
      4.2 安裝TensorFlow
    • 1-31
      4.3 TensorFlow 測試
    • 1-32
      4.4 Tensorflow GPU 版
    • 1-33
      Ch05 TensorFlow 的類別神經網路－MLP 快速上手
    • 1-34
      5.1 人工智能開發的步驟
    • 1-35
      5.2 產生訓練資料
    • 1-36
      5.3 建立模型
    • 1-37
      5.4 編譯
    • 1-38
      5.5 訓練
    • 1-39
      5.6 評估正確率
    • 1-40
      5.7 預測
    • 1-41
      Ch06 TensorFlow 改善類神經模型MLP 的正確率
    • 1-42
      6.1 模型model 不同的寫法
    • 1-43
      6.2 TensorFlow 與Keras 函式程式庫的關係和差異
    • 1-44
      6.3 標籤處理One-hot Encoding 單熱編碼
    • 1-45
      6.4 處理多個特徵值
    • 1-46
      6.5 改善預測結果－深度學習訓練次數epochs
    • 1-47
      6.6 改善預測結果－深度學習訓練每次訓練的資料量batch_size
    • 1-48
      6.7 改善預測結果－增加神經元
    • 1-49
      6.8 改善預測結果－增加隱藏層
    • 1-50
      6.9 改善訓練結果－增加訓練資料集
    • 1-51
      6.10 如何達到預測 100％ 正確？
    • 1-52
      Ch07 TensorFlow 神經網路模型實戰案例
    • 1-53
      7.1 鳶尾花的種類判斷
    • 1-54
      7.2 鳶尾花植物辨識資料程式庫
    • 1-55
      7.3 使用Python 處理Excel 檔案
    • 1-56
      7.4 鳶尾花資料下載和儲存到Excel 檔案
    • 1-57
      7.5 多層感知器模型MLP（multilayer perceptron）
    • 1-58
      7.6 使用TensorFlow.keras 建立模型
    • 1-59
      7.7 實戰案例－澳洲Canberra 坎培拉天氣預測
    • 1-60
      7.8 Excel 資料的讀取和儲存
    • 1-61
      7.9 讀取、處理和儲存CSV
    • 1-62
      7.10 處理天氣記錄的Excel 資料
    • 1-63
      7.11 使用神經網路MLP 預測天氣
    • 1-64
      Ch08 TensorFlow 神經網路－神經元
    • 1-65
      8.1 神經網路圖形工具介紹－TensorFlow Playground
    • 1-66
      8.2 神經網路圖形工具介紹－對應的Tensorflow 資料
    • 1-67
      8.3 神經網路圖形工具介紹－對應的Tensorflow 程式
    • 1-68
      8.4 調整隱藏層和神經元
    • 1-69
      8.5 實戰－用最少的隱藏層和神經元區分資料
    • 1-70
      8.6 透過Tensorflow 計算出weight 權重和bias 偏移量
    • 1-71
      8.7 神經元的權重和偏移量計算式
    • 1-72
      8.8 用TensorFlow 畫出神經元的weight 權重和bias 偏移量
    • 1-73
      8.9 binary_crossentropy 二元分類法的處理
    • 1-74
      8.10 自訂資料驗證regression 迴歸和神經元的關係
    • 1-75
      8.11 激勵函式ReLU、sigmoid 和tanh
    • 1-76
      8.12 多個神經元
    • 1-77
      Ch09 MLP 神經網路－數學理論
    • 1-78
      9.1 激勵函式sigmoid 的數學理論
    • 1-79
      9.2 激勵函式Tanh 的數學理論
    • 1-80
      9.3 激勵函式Relu 的數學理論
    • 1-81
      9.4 激勵函式的用意
    • 1-82
      9.5 多層感知器（Multilayer Perceptron，MLP）計算公式
    • 1-83
      9.6 二層神經元的數學計算
    • 1-84
      Ch10 TensorFlow 神經網路隱藏層
    • 1-85
      10.1 隱藏層Hidden Layer 的目的
    • 1-86
      10.2 隱藏層Hidden Layer 的數學
    • 1-87
      10.3 MLP 例子XOR problem
    • 1-88
      10.4 空間轉換
    • 1-89
      10.5 再次切割
    • 1-90
      10.6 隱藏層Hidden Layer 的用意
    • 1-91
      Ch11 TensorFlow 最短路徑演算法
    • 1-92
      11.1 圖形顯示訓練過程歷史
    • 1-93
      11.2 深度學習最佳化－最短路徑演算法
    • 1-94
      11.3 最佳化－Adam 演算法
    • 1-95
      11.4 最佳化－SGD 演算法
    • 1-96
      11.5 最佳化－RMSprop 演算法
    • 1-97
      11.6 最佳化－Adagrad、Adadelta、Nadam、Momentum 演算法
    • 1-98
      11.7 最佳化－演算法如何挑選？
    • 1-99
      11.8 特徵值數據標準化
    • 1-100
      11.9 最佳化－Learning rate 學習效率
    • 1-101
      11.10 編譯模型的metrics 指標
    • 1-102
      Ch12 TensorFlow 存取模型和訓練結果
    • 1-103
      12.1 TensorBoard 的使用
    • 1-104
      12.2 儲存檔案模型和訓練後的結果
    • 1-105
      12.3 讀取使用訓練模型和訓練後的結果
    • 1-106
      12.4 透過Callback 每次訓練就儲存權重一次
    • 1-107
      12.5 自動判斷是否需要訓練模型
    • 1-108
      12.6 分批繼續訓練
    • 1-109
      Ch13 TensorFlow 神經網路MLP－迴歸
    • 1-110
      13.1 TensorFlow 神經網路MLP－迴歸
    • 1-111
      13.2 類神經迴歸的metrics 指標
    • 1-112
      13.3 單次梯度更新train_on_batch
    • 1-113
      13.4 損失函式 Loss vs 代價函式 Cost
    • 1-114
      13.5 波士頓房屋價格的數據庫分析
    • 1-115
      13.6 波士頓房屋價格資料下載儲存到Excel和CSV
    • 1-116
      13.7 波士頓房屋價格的數據庫分析－特徵關係
    • 1-117
      13.8 迴歸類神經實戰案例－波士頓房屋價格的預測
    • 1-118
      13.9 調整神經網路MLP 迴歸更加準確
    • 1-119
      13.10 MLP 迴歸分批繼續訓練
    • 1-120
      13.11 波士頓房屋價格的預測單次梯度更新
    • 1-121
      Ch14 實戰圖形辨識
    • 1-122
      14.1 圖形辨識原理
    • 1-123
      14.2 將圖片轉換成特徵值如
    • 1-124
      14.3 多層感知器MLP 實戰圖形辨識
    • 1-125
      14.4 實戰手寫圖片MNIST
    • 1-126
      14.5 MNIST 每一筆的Image 資料內容
    • 1-127
      14.6 圖形顯示MNIST 內的資料
    • 1-128
      14.7 顯示多張圖片
    • 1-129
      14.8 圖形文字的辨識原理
    • 1-130
      14.9 圖形資料轉換成MLP 訓練資料
    • 1-131
      14.10 使用MLP 來辨識圖片和文字
    • 1-132
      14.11 實戰－服飾的圖形辨識Fashion-MNIST
    • 1-133
      14.12 圖形化顯示Fashion_MNIST 服飾資料
    • 1-134
      14.13 使用MLP 來辨識衣服、褲子、鞋子
    • 1-135
      Ch15 卷積神經網路CNN
    • 1-136
      15.1 什麼是卷積類神經（CNN）？
    • 1-137
      15.2 CNN 和MLP 的差異
    • 1-138
      15.3 CNN 快速上手
    • 1-139
      15.4 CNN 做手寫圖片辨識－特徵值的處理
    • 1-140
      15.5 CNN 做手寫圖片辨識－模型
    • 1-141
      15.6 CNN 做手寫圖片辨識－訓練和預測
    • 1-142
      15.7 CNN 做手寫圖片辨識－減少訓練時間
    • 1-143
      15.8 CNN 提高辨識率
    • 1-144
      15.9 實戰CNN 判別服飾種類
    • 1-145
      15.10 實戰CNN 彩色圖片的辨識Cifar10 飛機、車輛
    • 1-146
      15.11 實戰CNN 辨識100 種人物和物體的Cifar100
    • 1-147
      15.12 實戰Tensorflow datasets 函式庫
    • 1-148
      15.13 實戰Tensorflow datasets 函式庫Food101，101 種食物辨識
    • 1-149
      Ch16 OpenCV 和TensorFlow 卷積神經網路CNN 即時 辨識
    • 1-150
      16.1 OpenCV 介紹和安裝架設
    • 1-151
      16.2 OpenCV 顯示圖片
    • 1-152
      16.3 OpenCV 攝影機
    • 1-153
      16.4 OpenCV 儲存照片
    • 1-154
      16.5 實戰透過攝影機辨識的一個手寫數字
    • 1-155
      16.6 OpenCV 手寫程式
    • 1-156
      16.7 即時手寫辨識APP
    • 1-157
      16.8 改善實際運用上的準確度
    • 1-158
      16.9 二值化
    • 1-159
      Ch17 卷積神經網路原理
    • 1-160
      17.1 卷積類神經（CNN）Conv2D 原理和數學
    • 1-161
      17.2 卷積類神經Conv2D 圖片每個點的處理
    • 1-162
      17.3 卷積類神經Conv2D 邊緣的處理
    • 1-163
      17.4 卷積類神經圖形化輸出
    • 1-164
      17.5 卷積類神經kernel_size 和padding 的差異
    • 1-165
      17.6 卷積類神經filter 濾鏡數量的意義
    • 1-166
      17.7 卷積類神經activation 激勵函式的意義
    • 1-167
      17.8 卷積類神經多層Conv2D
    • 1-168
      17.9 卷積類神經多層池化層Max Pooling
    • 1-169
      17.10 卷積類神經多層池化層Average Pooling
    • 1-170
      Ch18 卷積神經網路準確率技巧
    • 1-171
      18.1 ImageDataGenerator 產生更多訓練資料
    • 1-172
      18.2 width_shift_range 水平移動
    • 1-173
      18.3 rotation_range 旋轉圖片
    • 1-174
      18.4 zoom_range 縮放圖片
    • 1-175
      18.5 brightness_range 明暗度
    • 1-176
      18.6 height_shift_range 上下、fill_mode空白處理、cval 指定空白顏色
    • 1-177
      18.7 將ImageDataGenerator 用在MNIST數據
    • 1-178
      18.8 二值化和更多神經元
    • 1-179
      18.9 MNIST 手寫預測
    • 1-180
      18.10 錯誤率列表Confusion Matrix 混淆矩陣
    • 1-181
      Ch19 圖學網路應用模組
    • 1-182
      19.1 圖學網路應用模組
    • 1-183
      19.2 使用VGG16 預測一千種物件
    • 1-184
      19.3 自製VGG16 模型
    • 1-185
      19.4 將模型儲存成圖片
    • 1-186
      19.5 使用VGG16 模型做cifar10 彩色數據訓練
    • 1-187
      19.6 使用VGG16 模型做MNIST_fashion 灰階數據訓練
    • 1-188
      19.7 使用攝影機和VGG16 模型即時辨識一萬種物件
    • 1-189
      19.8 圖學網路應用模組VGG19
    • 1-190
      19.9 圖學網路應用模組ResNet50
    • 1-191
      19.10 圖學網路應用模組Xception
    • 1-192
      19.11 圖學網路應用模組InceptionV3
    • 1-193
      19.12 圖學網路應用模組InceptionResNetV2
    • 1-194
      19.13 圖學網路應用模組NASNetLarge
    • 1-195
      19.14 圖學網路應用模組DenseNet121
    • 1-196
      Ch20 實戰多影像辨識
    • 1-197
      20.1 產生或設計自己的辨識圖片
    • 1-198
      20.2 建立自己的訓練圖庫
    • 1-199
      20.3 訓練自己的圖庫
    • 1-200
      20.4 結合攝影機即時判斷自己訓練的圖庫
    • 1-201
      20.5 使用VGG16 來訓練和測試自己的圖庫
    • 1-202
      20.6 OpenCV 找出多個物體
    • 1-203
      20.7 多物件的預測
    • 1-204
      20.8 抓取攝影機WebCam 做多物件的預測
    • 1-205
      20.9 即時辨識身分證上的數字
    • 1-206
      Ch21 多影像辨識技術
    • 1-207
      21.1 Object detection 多對象檢測和多影像辨識技術
    • 1-208
      21.2 MASK R-CNN 介紹
    • 1-209
      21.3 MASK R-CNN 使用
    • 1-210
      21.4 取得預測率和物件位置
    • 1-211
      21.5 MASK R-CNN 結合OpenCV 和攝影機即時辨識
    • 1-212
      21.6 透過MASK R-CNN判斷影片上的多物件和儲存影片
    • 1-213
      21.7 準備訓練自己的MASK R-CNN 權重檔
    • 1-214
      21.8 訓練自己的MASK R-CNN 權重檔
    • 1-215
      21.9 測試自己訓練的物體
    • 1-216
      21.10 測試自己訓練的物體程式說明
    • 1-217
      21.11 使用MASK R-CNN 辨識多個氣球的位置
    • 1-218
      21.12 TensorFlow 1.14 轉為 TensorFlow 2.1版本
    • 1-219
      版權頁
    • 1-220
      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