Python 機器學習與深度學習特訓班：看得懂也會做的AI人工智慧實戰 (附120分鐘影音教學/範例程式) (2版)

類似書籍推薦給您

內容簡介 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 目錄 01 打造開發環境： TensorFlow和Keras 1.1 人工智慧、機器學習和深度學習的關係 1.2 什麼是機器學習？ 1.3 什麼是深度學習？ 1.4 TensorFlow與Keras 1.5 建置Anaconda開發環境 1.6 TensorFlow及Keras安裝 1.7 設定TensorFlow的GPU支援 02 機器學習起點：多層感知器(MLP) 2.1 認識多層感知器(MLP) 2.2 認識Mnist資料集 2.3 多層感知器模型資料預處理 2.4 多層感知器實戰：Mnist手寫數字圖片辨識 2.5 模型儲存和載入 2.6 模型權重的儲存和載入 2.7 建立多個隱藏層 03 影像識別神器：卷積神經網路(CNN) 3.1 卷積神經網路(CNN)基本結構 3.2 認識Kaggle Cats and Dogs Dataset資料集 3.3 卷積神經網路實戰：圖片辨識 3.4 模型權重的儲存和載入 04 自然語言處理利器：循環神經網路(RNN) 4.1 循環神經網路(RNN)基本結構 4.2 認識外幣匯率查詢資料集 4.3 循環神經網路外幣匯率預測 4.4 模型權重的儲存和載入 4.5 長短期記憶(LSTM) 05 機器學習雲端開發工具：Google Colab 5.1 Colab：功能強大的虛擬機器 5.2 在Colab中進行機器學習 06 體驗機器學習雲端平台：Microsoft Azure 6.1 專題方向 6.2 電腦視覺資源 6.3 臉部辨識資源 6.4 文字語言翻譯資源 07 臉部辨識登入系統：Azure臉部辨識應用 7.1 專題方向 7.2 Azure臉部客戶端程式庫 7.3 刷臉登入系統 08 自然語言處理：文字雲與文章自動摘要 8.1 專題方向 8.2 Jieba模組 8.3 文字雲 8.4 文章自動摘要 09 語音辨識應用：YouTube影片加上字幕 9.1 專題方向 9.2 語音辨識 9.3 影片字幕製作 10 投資預測實證：股票走勢分析 10.1 專題方向 10.2 台灣股市資訊模組 10.3 股票分析 10.4 股票預測 11 自動標示物件：用Haar特徵分類器擷取車牌 11.1 專題方向 11.2 準備訓練Haar特徵分類器資料 11.3 建立車牌號碼Haar特徵分類器模型 11.4 使用Haar特徵分類器模型 12 無所遁形術：即時車牌影像辨識 12.1 專題方向 12.2 車牌號碼機器學習訓練資料 12.3 建立車牌辨識系統

機器學習實務：資料科學工作流程與應用程式開發及最佳化

類似書籍推薦給您

序 前言 關於作者 【PART I基本結構】 chapter 01資料科學家的角色 1.1 介紹 1.2 資料科學家的角色 1.3 結論 chapter 02專案工作流程 2.1 介紹 2.2 資料團隊背景 2.3 敏捷開發與產品專注 2.4 結論 chapter 03誤差量化 3.1 介紹 3.2 量化測量值誤差 3.3 採樣誤差 3.4 誤差傳播 3.5 結論 chapter 04資料編碼與預處理 4.1 介紹 4.2 簡單文字處理 4.3 資訊損失 4.4 結論 chapter 05假設檢定 5.1 介紹 5.2 何謂假設？ 5.3 誤差類型 5.4 P 值與信賴區間 5.5 多重測試與 "P-hacking" 5.6 範例 5.7 規劃與背景 5.8 結論 chapter 06資料視覺化 6.1 介紹 6.2 分佈與摘要統計 6.3 時間序列圖 6.4 圖視覺化 6.5 結論 【PART II 演算法與架構】 chapter 07演算法與架構 7.1 介紹 7.2 架構 7.3 模型 7.4 結論 chapter 08比較 8.1 介紹 8.2 Jaccard 距離 8.3 MinHash 8.4 Cosine 相似度 8.5 馬氏距離 8.6 結論 chapter 09迴歸 9.1 介紹 9.2 線性最小平方 9.3 線性迴歸的非線性迴歸 9.4 隨機森林 9.5 結論 chapter 10分類與群集 10.1 介紹 10.2 邏輯迴歸 10.3 貝葉斯推論，單純貝葉斯 10.4 K 平均 10.5 領先特徵向量 10.6 貪婪 Louvain 10.7 最近鄰居 10.8 結論 chapter 11貝葉斯網路 11.1 介紹 11.2 因果圖、條件獨立、Markovity 11.3 D 分離與 Markov 性質 11.4 貝葉斯網路因果圖 11.5 模型適配 11.6 結論 chapter 12降維與潛在變項模型 12.1 介紹 12.2 先驗 12.3 因素分析 12.4 主成分分析 12.5 獨立成分分析 12.6 隱含狄利克雷分布 12.7 結論 chapter 13因果推論 13.1 介紹 13.2 實驗 13.3 觀察：一個例子 13.4 控制阻斷非因果路徑 13.5 機器學習估計量 13.6 結論 chapter 14進階機器學習 14.1 介紹 14.2 最佳化 14.3 神經網路 14.4 結論 【PART III 瓶頸與最佳化】 chapter 15硬體基礎知識 15.1 介紹 15.2 隨機存取記憶體 15.3 非揮發性/固定儲存 15.4 吞吐量 15.5 處理器 15.6 結論 chapter 16軟體基礎知識 16.1 介紹 16.2 換頁 16.3 編索引 16.4 顆粒度 16.5 強固性 16.6 擷取、轉換、載入 16.7 結論 chapter 17軟體架構 17.1 介紹 17.2 主從架構 17.3 N 層/服務導向架構 17.4 微服務 17.5 一大塊 17.6 實際案例（混合架構） 17.7 結論 chapter 18CAP 定理 18.1 介紹 18.2 一致性/同時性 18.3 可用性 18.4 分割容錯 18.5 結論 chapter 19邏輯網路拓撲節點 19.1 介紹 19.2 網路圖 19.3 負載平衡 19.4 快取 19.5 資料庫 19.6 佇列 19.7 結論 參考書