hiskio

    用Python學AI理論與程式實作-第二版(涵蓋Certiport ITS AI國際認證模擬試題)

    從AI發展、數學基礎、理論到程式實作循序漸進，特別規劃Python基礎章節協助初學者銜接，並結合Certiport ITS AI國際認證重點與模擬試題，兼顧自學與教學，讓你打好AI核心基礎、接軌國際證照。

    收集中
    US$18.71

    內容簡介


    【專業推薦】
    啟龍博士具有豐富的教學經驗，此書涵蓋人工智慧發展、數學基礎、AI理論到程式實作，內容豐富完整，誠心推薦想要掌握人工智慧知識與技能的學習者。
    --- 神通資訊科技股份有限公司董事長 蘇 亮 ---

    高度認同李博士提出的「大人機」思維，由大數據驅動、人工智慧算法、機器人自動化的三位一體架構，誠摯推薦給所有想在AI浪潮中精進的讀者。
    --- 高柏科技股份有限公司董事長 蕭酩献 ---

    ★ 友善的學習銜接機制：因應讀者不同的程式基礎，特別規劃Python基礎章節，協助初學者順利銜接AI實作。
    ★ 精煉的數學門檻導引：針對AI理論中必備的數學知識，以簡明扼要的方式進行重點歸納，讓讀者快速掌握數學關鍵。
    ★ 系統化的學習路徑：針對期待跨入AI領域的初學者，規劃由淺入深的章節架構，帶領讀者一步步建立AI知識的核心基礎。
    ★ 理論與實戰深度結合：強調「學以致用」，內容不僅涵蓋AI理論，更設計了程式實作練習，藉此提升學習動力，無論是自學或課堂教學皆能輕鬆上手。
    ★ 接軌國際認證與職涯優勢：結合Certiport ITS Artificial Intelligence人工智慧核心能力國際認證考試重點，並納入模擬試題，協助掌握考試關鍵，順利考取證照，提升專業競爭力。

    作者介紹


    ■　李啟龍 博士（Jason哥）
    學經歷：
    　國立臺灣科技大學資訊管理研究所博士
    　財團法人創新智庫生成式AI創新學院院長
    　社團法人中華多元智能教育協會副理事長
    特殊榮譽：
    　連續7年微軟全球最有價值專家MVP
    　臺灣學術網路 TANET 傑出貢獻人員
    　APEC亞太經合會 青年科學節國家代表
    　國立臺灣科技大學資訊管理系傑出校友
    　資訊月 十大傑出資訊人才獎
    　旺宏科學獎 特殊貢獻指導老師獎
    　ZDNet名家專欄作家
    　LiveABC互動英文雜誌TEM專欄作家
    　育秀基金會 育秀盃AI應用獎評審委員
    　三星電子 Solve for Tomorrow競賽評審委員
    　數發部 GenAI Stars百工百業應用選拔評審委員
    　經濟部 智慧創新大賞(Best AI Awards)評審委員
    　已著有70本資訊科技相關書籍

    ■　陳威達
    期許自身學習AI領域知識的經驗，能幫助讀者在享受學習樂趣的同時少走些彎路，對我而言將是莫大的榮幸。https://udchen.tw/

    目錄


    第一章 人工智慧簡介
    1.1 人工智慧簡介
    1.2 人工智慧的數學基礎
    1.3 建置開發環境
    1.4 習題
    補充：libiomp5md.dll相關問題

    第二章 機器學習的Python基礎
    2.1 Python語法練習
    2.2 習題

    第三章 知識發現
    3.1 知識發現
    3.2 關聯規則探勘
    3.3 序列樣式探勘
    3.4 聚類
    3.5 習題

    第四章 分類問題
    4.1 分類問題的形式和目標
    4.2 決策樹
    4.3 支持向量機
    4.4 KNN
    4.5 神經網路
    4.6 習題

    第五章 強化學習
    5.1 心理學與強化學習
    5.2 Q-Learning與貝爾曼方程式
    5.3 運用OpenAI遊戲模組實作Q-Learning 演算法
    5.4 習題
    補充：AlphaGo Movie

    第六章 深度神經網路理論
    6.1 全連接神經網路
    6.2 模型的量化、修正與優化
    6.3 習題
    補充：損失函數、梯度優化

    第七章 深度神經網路實作
    7.1 運用torch.nn類別實作MNIST手寫數字辨識
    7.2 運用Dropout函數減緩過擬合問題
    7.3 習題

    第八章 卷積神經網路理論
    8.1 卷積運算
    8.2 卷積與影像處理練習
    8.3 卷積神經網路
    8.4 習題
    補充：卷積核與池化核的常用參數

    第九章 卷積神經網路實作
    9.1 運用CIFAR-10資料集實作CNN
    9.2 神經網路的優化實作
    9.3 習題

    第十章 物件偵測理論
    10.1 ResNet
    10.2 RCNN
    10.3 YOLO
    10.4 習題

    第十一章 物件偵測實作
    11.1 YOLOv7自定義資料集物件偵測
    11.2 習題
    補充：使用labelImg軟體建構YOLO自定義資料集

    第十二章 自然語言處理
    12.1 自然語言與機器學習
    12.2 斷詞和關鍵字查找
    12.3 詞向量
    12.4 習題

    第十三章 循環神經網路
    13.1 RNN
    13.2 LSTM
    13.3 Transformer與ChatGPT
    13.4 習題

    第十四章 生成對抗網路
    14.1 生成對抗網路
    14.2 各類生成對抗網路
    14.3 運用DCGAN實現字型風格創作
    14.4 習題

    附錄A Certiport ITS人工智慧核心能力認證模擬試題

    章节目录

    • 1-1
      封面頁
    • 1-2
      書名頁
    • 1-3
      作者序
    • 1-4
      目錄
    • 1-5
      Ch01 人工智慧簡介
    • 1-6
      1.1 人工智慧簡介
    • 1-7
      1.1.1 人工智慧的定義
    • 1-8
      1.1.2 人工智慧的歷史
    • 1-9
      1.1.3 人工智慧的分類
    • 1-10
      1.2 人工智慧的數學基礎
    • 1-11
      1.2.1 代數與符號
    • 1-12
      1.2.2 指數和對數函數
    • 1-13
      1.2.3 向量
    • 1-14
      1.2.4 矩陣和張量
    • 1-15
      1.2.5 求和
    • 1-16
      1.2.6 微分和偏微分
    • 1-17
      1.2.7 合成函數的微分
    • 1-18
      1.2.8 線性回歸和羅吉斯回歸
    • 1-19
      1.2.9 精確率與召回率
    • 1-20
      1.3 建置開發環境
    • 1-21
      1.3.1 安裝Anaconda
    • 1-22
      1.3.2 Jupyter Notebook 環境
    • 1-23
      1.3.3 pip 套件安裝
    • 1-24
      1.4 習題
    • 1-25
      補充：libiomp5md.dll 相關問題
    • 1-26
      Ch02 機器學習的Python 基礎
    • 1-27
      2.1 Python 語法練習
    • 1-28
      2.2 習題
    • 1-29
      Ch03 知識發現
    • 1-30
      3.1 知識發現
    • 1-31
      3.2 關聯規則探勘
    • 1-32
      3.2.1 尿布啤酒傳說
    • 1-33
      3.2.2 先驗演算法
    • 1-34
      3.3 序列樣式探勘
    • 1-35
      3.4 聚類
    • 1-36
      3.4.1 𝒌-平均聚類
    • 1-37
      3.4.2 凝聚式階層聚類
    • 1-38
      3.5 習題
    • 1-39
      Ch04 分類問題
    • 1-40
      4.1 分類問題的形式和目標
    • 1-41
      4.1.1 詐騙郵件
    • 1-42
      4.1.2 分類器
    • 1-43
      4.2 決策樹
    • 1-44
      4.2.1 二分法與決策樹
    • 1-45
      4.2.2 決策樹架構和數學原理
    • 1-46
      4.3 支持向量機
    • 1-47
      4.3.1 分類線與支持向量機
    • 1-48
      4.3.2 核方法
    • 1-49
      4.4 KNN
    • 1-50
      4.5 神經網路
    • 1-51
      4.6 習題
    • 1-52
      Ch05 強化學習
    • 1-53
      5.1 心理學與強化學習
    • 1-54
      5.1.1 行為主義
    • 1-55
      5.1.2 強化學習
    • 1-56
      5.1.3 史金納箱與強化學習模型
    • 1-57
      5.2 Q-Learning 與貝爾曼方程式
    • 1-58
      5.2.1 貝爾曼方程式
    • 1-59
      5.2.2 Q-Learning 演算法
    • 1-60
      5.3 運用OpenAI 遊戲模組實作Q-Learning 演算法
    • 1-61
      5.3.1 測試環境
    • 1-62
      5.3.2 單一行動測試
    • 1-63
      5.3.3 工人智慧
    • 1-64
      5.3.4 建立Q 表
    • 1-65
      5.3.5 Q-Learning
    • 1-66
      5.4 習題
    • 1-67
      補充：AlphaGo Movie
    • 1-68
      Ch06 深度神經網路理論
    • 1-69
      6.1 全連接神經網路
    • 1-70
      6.1.1 人工神經網路的發想
    • 1-71
      6.1.2 神經網路架構和運算
    • 1-72
      6.2 模型的量化、修正與優化
    • 1-73
      6.2.1 模型的輸出與損失
    • 1-74
      6.2.2 梯度下降法
    • 1-75
      6.2.3 反向傳播演算法
    • 1-76
      6.2.4 激勵函數
    • 1-77
      6.3 習題
    • 1-78
      補充：損失函數、梯度優化
    • 1-79
      Ch07 深度神經網路實作
    • 1-80
      7.1 運用torch.nn 類別實作MNIST 手寫數字辨識
    • 1-81
      7.1.1 神經網路的建構
    • 1-82
      7.1.2 MNIST 手寫數字資料集
    • 1-83
      7.1.3 模型視覺化
    • 1-84
      7.1.4 Softmax 函數
    • 1-85
      7.1.5 模型訓練
    • 1-86
      7.1.6 訓練過程與結果呈現
    • 1-87
      7.2 運用Dropout 函數減緩過擬合問題
    • 1-88
      7.3 習題
    • 1-89
      Ch08 卷積神經網路理論
    • 1-90
      8.1 卷積運算
    • 1-91
      8.1.1 圖片、矩陣與卷積
    • 1-92
      8.1.2 一維卷積運算
    • 1-93
      8.1.3 二維卷積運算
    • 1-94
      8.2 卷積與影像處理練習
    • 1-95
      8.2.1 OpenCV
    • 1-96
      8.2.2 模糊
    • 1-97
      8.2.3 銳化
    • 1-98
      8.2.4 圖形邊界
    • 1-99
      8.3 卷積神經網路
    • 1-100
      8.3.1 卷積運算與神經網路
    • 1-101
      8.3.2 卷積神經網路的架構
    • 1-102
      8.4 習題
    • 1-103
      補充：卷積核與池化核的常用參數
    • 1-104
      Ch09 卷積神經網路實作
    • 1-105
      9.1 運用CIFAR-10 資料集實作CNN
    • 1-106
      9.1.1 CIFAR-10 圖片資料集
    • 1-107
      9.1.2 CNN 的架構
    • 1-108
      9.1.3 模型視覺化
    • 1-109
      9.1.4 模型訓練
    • 1-110
      9.1.5 訓練過程與結果呈現
    • 1-111
      9.2 神經網路的優化實作
    • 1-112
      9.2.1 批次標準化
    • 1-113
      9.2.2 增加卷積層
    • 1-114
      9.2.3 GPU 運算
    • 1-115
      9.3 習題
    • 1-116
      Ch10 物件偵測理論
    • 1-117
      10.1 ResNet
    • 1-118
      10.1.1 梯度消失
    • 1-119
      10.1.2 殘差神經網路
    • 1-120
      10.2 RCNN
    • 1-121
      10.2.1 物件偵測與Sliding Window
    • 1-122
      10.2.2 RCNN 模型原理
    • 1-123
      10.3 YOLO
    • 1-124
      10.3.1 YOLO 概念簡介
    • 1-125
      10.3.2 全卷積神經網路
    • 1-126
      10.3.3 錨框
    • 1-127
      10.3.4 YOLO 層
    • 1-128
      10.3.5 非極大值抑制
    • 1-129
      10.3.6 CSPNet
    • 1-130
      10.4 習題
    • 1-131
      Ch11 物件偵測實作
    • 1-132
      11.1 YOLO26 自定義資料集物件偵測
    • 1-133
      11.1.1 GPU 連線
    • 1-134
      11.1.2 安裝Ultralytics 套件
    • 1-135
      11.1.3 掛載Google 雲端硬碟
    • 1-136
      11.1.4 載入自定義資料
    • 1-137
      11.1.5 模型測試
    • 1-138
      11.1.6 模型訓練
    • 1-139
      11.1.7 模型驗證
    • 1-140
      11.1.8 輸出結果
    • 1-141
      11.2 習題
    • 1-142
      補充：使用labelImg 軟體建構YOLO 自定義資料集
    • 1-143
      Ch12 自然語言處理
    • 1-144
      12.1 自然語言與機器學習
    • 1-145
      12.1.1 自然語言處理為何困難
    • 1-146
      12.1.2 機器學習處理自然語言的方法
    • 1-147
      12.2 斷詞和關鍵字查找
    • 1-148
      12.2.1 jieba 套件與斷詞方法
    • 1-149
      12.2.2 TF-IDF
    • 1-150
      12.3 詞向量
    • 1-151
      12.3.1 相似度與Word2Vec
    • 1-152
      12.3.2 Word2Vec 運作原理
    • 1-153
      12.4 習題
    • 1-154
      Ch13 循環神經網路
    • 1-155
      13.1 RNN
    • 1-156
      13.1.1 RNN 的單元運算
    • 1-157
      13.1.2 多層RNN
    • 1-158
      13.2 LSTM
    • 1-159
      13.2.1 長短期記憶
    • 1-160
      13.2.2 LSTM 單元中的閘門
    • 1-161
      13.2.3 RNN 和LSTM 的應用
    • 1-162
      13.3 Transformer 與ChatGPT
    • 1-163
      13.4 習題
    • 1-164
      Ch14 生成對抗網路
    • 1-165
      14.1 生成對抗網路
    • 1-166
      14.1.1 文物鑑定
    • 1-167
      14.1.2 GAN 的神經網路架構
    • 1-168
      14.1.3 GAN 的訓練為何可行
    • 1-169
      14.2 各類生成對抗網路
    • 1-170
      14.2.1 cGAN
    • 1-171
      14.2.2 Cycle-GAN
    • 1-172
      14.3 運用DCGAN 實現字型風格創作
    • 1-173
      14.3.1 超參數
    • 1-174
      14.3.2 模型架構
    • 1-175
      14.3.3 損失函數
    • 1-176
      14.3.4 模型訓練
    • 1-177
      14.3.5 訓練過程、結果視覺化與模型保存
    • 1-178
      14.3.6 訓練GAN 的超參數
    • 1-179
      14.4 習題
    • 1-180
      附錄A Certiport ITS 人工智慧核心能力認證模擬試題
    • 1-181
      A.1 ITS 人工智慧認證模擬試題：A 卷
    • 1-182
      A.2 ITS 人工智慧認證模擬試題：B 卷
    • 1-183
      版權頁
    • 1-184
      封底頁

    常见问答

    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。

    猜你喜欢

    | 尚无内容

    用户评价

    | 收集中

    销售方案