| 定價: | ||||
| 售價: | 332元 | |||
| 庫存: | 庫存: 1 | |||
| LINE US! | 詢問這本書 團購優惠、書籍資訊 等 | |||
Python範例學習書｜輕鬆、有趣學習Python程式設計 (1版)
定價:
390
售價:
332
現省:
58
| 付款方式: | 超商取貨付款 |
|
|
| 信用卡 |
|
||
| 線上轉帳 |
|
||
| 物流方式: | 超商取貨 | ||
| 宅配 | |||
| 門市自取 |
詳細資訊
本書特色: 1、以高中職程度設計的Python入門學習教材。 2、快速入門、有趣且實用的範例，快樂學習，提高學生學習動機。 3、範例融入APCS、電腦軟體設計丙級檢定及技藝競賽題目。 4、使用ChatGPT獲取Python解答和建議。 目錄章節 第一章：寫出第一個程式 第二章：資料的基本概念 第三章：讓程式具有判斷力 第四章：為程式加入反覆執行功能 第五章：輸出的技巧 第六章：複雜資料結構的處理 第七章：程式變大後的解決辦法 第八章：Windows介面程式設計 第九章：程式運算邏輯與解題技巧 第十章：檔案讀寫 第十一章：用Spyder偵錯 第十二章：電腦軟體設計檢定程式實作 第十三章：程式設計比賽試題參考題實作 第十四章：APCS大學程式設計先修檢測 第十五章：用ChatGPT學Python程式設計 附錄 附錄一、Python語法簡例 附錄二、10個常見Python執行階段錯誤訊息與原因 附錄三、使用Python Help文件
為您推薦
相關熱銷的書籍推薦給您
商品描述 <內容簡介> 彙整最常使用的 Python 函式庫語法 功能索引 + 字母順序查詢, 隨查隨用, 快速解決問題！ Python 是近來非常熱門的程式語言, 原因之一就是具有豐富的標準函式庫及第三方套件可以使用, 用途涵蓋字串處理、數值計算、資料壓縮與封存、XML與 JSON 存取等層面。本書集合 Python 常用的函式及模組功能, 依用途分門別類, 提供詳細的使用說明、豐富的語法範例, 讓使用者可以在短時間內找到、學會函式的正確使用方式, 在撰寫程式時更加得心應手！ <本書特色> ● 依功能分類, 每個函式都以豐富範例實際演練用法 ● 目錄上列有函式名稱與用途說明, 可依據名稱或是用途查詢 ● 可依字母順序快速查詢想使用的函式功能 ● 本書嚴選的模組功能包括： argparse／array／base64／beautifulsoup4／bisect／bz2／collections／ConfigParser／csv／datetime／dateutil／decimal／doctest／email／enum／fnmatch／glob／gzip／heapg／io／itertools／json／logging／lxml／lzma／math／multiprocessing／openpyxl／os／pathlib／paramiko／pdb／Pillow／pprint／PyCrypto／pydoc／pytest／pytz／random／re／requests／shutil／statistics／subprocess／sys／tartile／tempfile／time／timeit／traceback／unicodedata／unittest／unittest.mock／urllib.parse／weakref／xml.etree.ElementTree／yaml／zipfile／zlib ● 適用 Python 3
類似書籍推薦給您
內容簡介 機器學習是AI人工智慧的基礎，但機器學習本身是門較高深的課程，而本書為了讓讀者能夠快速理解，從入門者的角度做編寫。書中先講述AI及Python語言，複習Python基礎語法到進階語法，讓讀者先掌握Python語言，接著學習機器學習的各種實作項目，如資料分析、線性回歸模型及模型評估等，藉此對於機器學習有更進一步的認識。 產品目錄 第一章 AI、AI技術與AI應用 1-1 人工智慧 1-2 AI技術 1-3 AI應用 1-4 AI與數學 1-5 AI與編程 1-6 何謂深度學習？ 第二章 Python基礎編程語法 2-1 何謂變數？ 2-2 編程的操作型定義～以變數為例 2-3 運算與資料 2-4 決策(if)語法 2-5 while 迴圈 2-6 for 迴圈 2-7 功能呼叫 (function call) 2-8 全域變數與區域變數 2-9 List 資料結構 2-10 物件的基本觀念 2-11 numpy模組的多維陣列 第三章 Python進階編程語法 3-1 向量運算模式與泛化函式 3-2 matplotlib繪圖模組的運用 3-3 檔案的輸入輸出 3-4 物件導向程式設計基本概念 3-5 其他 第四章 資料分析的基本觀念 4-1 隨機取樣 4-2 摘要統計(summary statistics) 4-3 共變異數與相關係數 4-4 資料分群演算法 4-5 Python的K-means 分群演算法的應用 第五章 線性迴歸模型 5-1 線性迴歸的數學原理 5-2 Python的線性迴歸模組 5-3 線性回歸模型的應用 5-4 羅吉斯迴歸 第六章 線性分類器 6-1 線性迴歸分類器 6-2 支持向量機分類器 6-3 SVM原理推導 6-4 核函數 6-5 SVM的多元分類應用 第七章 非線性分類器 7-1 類神經網路分類器概論 7-2 類神經網路應用 7-3 Python的類神經網路機器學習模組 7-4 決策樹實務應用 第八章 模型評估 8-1 分類器效能指標 8-2 ROC 曲線 8-3 殘差分析 第九章 其他AI相關主題 9-1 k最近鄰分類演算法 9-2 單純貝氏分類器 9-3 主要成分分析 9-4 資料前處理 9-5 集成學習 附錄A Python安裝與使用
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
類似書籍推薦給您
Python機器學習超進化：AI影像辨識跨界應用實戰（附100分鐘影像處理入門影音教學） ISBN13：9789865026196 出版社：碁峰資訊 作者：鄧文淵-總監製;文淵閣工作室-編 裝訂／頁數：平裝／248頁 規格：23cm*17cm*1.5cm (高/寬/厚) 版次：1 出版日：2020/09/22 中國圖書分類：電腦程式語言 內容簡介 轟動程式圈3大AI影像辨識利器 從收集資料、圖片擷取、建立標籤、訓練模型 到智慧影像辨識的全面進化實戰！ 人工智慧(Artificial Intelligence)應用基本上可分五大層面：時間序列、圖像處理、音訊處理、自然語言處理以及動態影像處理，其中與「智慧影像」相關者就佔了兩大領域。智慧影像是透過電腦視覺技術，從中學習人類的視覺辨識能力，並自動判讀影像中的關鍵資訊，目前被大量使用在圖像辨識、人臉識別、物體動作捕捉、光學文字識別...等，是人工智慧最為廣泛的應用之一。 在這個領域的研究中有許多功能強大的工具，如OpenCV、Yolo與dlib，但許多使用者卻不知如何收集資料、建立標籤，更不知道如何訓練模型，進而達成智慧影像辨識的結果！本書將引領讀者運用自己的資料，透過本機與雲端的資源，以目前主流技術進行自有模型的訓練來完成實際可用的智慧影像應用。 挑戰智慧影像最佳學習地圖， 結合本機與雲端應用， 真正深入AI影像辨識核心！ ■掌握智慧影像的技術特性與主流的應用模組，涵蓋OpenCV、Pillow、Yolo與dlib。 ■根據不同模組特性介紹其資料來源的收集方式，除了一般土法煉鋼的徒手拍攝影像，也能利用Kaggle資料庫進行下載，或是利用動態影片進行大量圖片的擷取，再運用自動批次的方式進行圖片整理與特徵標記。 ■當本機在訓練模型時發生記憶體不足、效能不夠等問題時，使用Google專為機器學習而生的Colab雲端服務來訓練自己的模型。 ■集結最具代表性的實務應用主題，包括人臉辨識、口罩人臉辨識、車牌辨識、車流統計…等專題，在真實的情況中體驗智慧影像的應用，並擁有開發能力。 ■針對OpenCV與Pillow影像處理特別提供入門影音輔助教學，加速學習效率。 書附超值學習資源：範例程式檔／100分鐘OpenCV與Pillow影像處理入門影音教學 目錄 CH01 認識智慧影像辨識 1.1 人工智慧 1.1.1 人工智慧是什麼？ 1.1.2 人工智慧基本應用 1.1.3 人工智慧實際應用 1.2 智慧影像辨識應用 1.2.1 影像處理 1.2.2 智慧影像辨識 1.2.3 突破智慧影像辨識學習的困境 CH02 OpenCV和Pillow影像處理 2.1 OpenCV 2.1.1 以OpenCV讀取及顯示圖形 2.1.2 儲存影像檔 2.1.3 OpenCV基本繪圖 2.1.4 使用OpenCV進行臉部偵測 2.1.5 擷取臉部圖形及存檔 2.2 圖片特效處理 2.2.1 認識圖片的維度 2.2.2 圖片灰階和黑白處理 2.3 建立新畫布與圖形合併 2.3.1 建立新畫布 2.3.2 圖形合併 2.4 擷取攝影機影像 2.5 Pillow 2.5.1 Pillow圖片基本操作 2.5.2 Pillow圖片編輯 2.5.3 圖片灰階處理 2.5.4 Pillow繪製圖形 2.6 OpenCV與Pillow圖像格式互轉 2.6.1 OpenCV轉Pillow 2.6.2 Pillow轉OpenCV 2.6.3 OpenCV和Pillow黑白圖片處理比較 CH03 OpenCV模型訓練 3.1 專題方向 3.2 準備訓練Haar特徵分類器資料 3.2.1 認識Haar特徵分類器 3.2.2 處理正樣本及實測圖片 3.2.3 處理負樣本圖片 3.3 建立車牌號碼Haar特徵分類器模型 3.3.1 處理Haar特徵分類器模型的檔案結構 3.3.2 加入正樣本 3.3.3 加入負樣本 3.3.4 正樣本標記資料 3.3.5 顯示及修改框選區域 3.3.6 調整框選區域寬高比 3.3.7 增加車牌數量 3.3.8 訓練Haar特徵分類器 3.4 使用Haar特徵分類器模型 3.4.1 Haar特徵分類器模型語法 3.4.2 車牌號碼偵測 CH04 OpenCV影像辨識-車牌 4.1 專題方向 4.2 車牌號碼擷取 4.2.1 原始圖片轉換尺寸 4.2.2 擷取車牌號碼圖形 4.2.3 以輪廓偵測分割車牌號碼文字 4.2.4 組合擷取車牌號碼文字圖形 4.2.5 去除畸零地 4.3 車牌辨識 4.3.1 文字辨識 4.3.2 單一車牌辨識 4.3.3 整批車牌辨識 CH05 火箭級智慧影像辨識-Yolo 5.1 Yolo是什麼？ 5.1.1 Yolo發展歷程 5.1.2 Yolo偵測物體原理概述 5.1.3 Yolo偵測物體種類 5.2 建立Yolo系統 5.2.1 安裝軟體與模組 5.2.2 編譯Yolo 5.2.3 在命令提示字元視窗執行Yolo 5.2.4 以Python程式執行Yolov3 5.3 訓練自訂Yolo偵測模型 5.3.1 標記工具 5.3.2 下載Kaggle口罩資料 5.3.3 轉換PascalVOC為Yolo格式 5.3.4 建立訓練組態資料結構 5.3.5 訓練模型 CH06 使用Colab訓練Yolo模型 6.1 Colab：功能強大的虛擬機器 6.1.1 Colab介紹 6.1.2 Colab建立記事本 6.1.3 Jupyter Notebook基本操作 6.1.4 Colab連接Google Drive雲端硬碟 6.1.5 執行Linux命令 6.2 Colab中訓練Yolo模型 6.2.1 整理口罩資料 6.2.2 進行Yolov3模型訓練 6.2.3 訓練Yolo模型注意事項 6.2.4 訓練其他Yolo模型 6.3 使用自行訓練的Yolo模型 6.3.1 在Colab中使用自行訓練Yolo模型 6.3.2 在Python中使用自行訓練Yolo模型 CH07 最強智慧影像辨識-dlib 7.1 dlib人臉偵測 7.1.1 安裝dlib 7.1.2 簡單人臉偵測 7.1.3 5點特徵人臉偵測 7.1.4 CNN訓練模型人臉偵測 7.1.5 68點特徵人臉偵測 7.1.6 攝影機圖像中畫出點輪廓 7.2 dlib人臉辨識 7.2.1 人臉辨識 7.2.2 dlib人臉登入系統 7.3 dlib其他應用 7.3.1 偵測嘴巴是否張開 7.3.2 偵測打瞌睡 7.3.3 物體追蹤 CH08 dlib自行訓練模型 8.1 dlib訓練自己模型 8.1.1 擷取影片畫面蒐集資料 8.1.2 標記圖片 8.1.3 訓練模型 8.1.4 使用模型 8.1.5 自行訓
類似書籍推薦給您
【簡介】 ●機器學習的靈魂：以統計數學為核心說明 ●全書圖解及歷史來龍去脈完整說明 ●從步入監督學習之旅開始 ●最精要的線性迴歸模型 ●完整講解K近鄰及貝氏推論 ●邏輯迴歸模型及最大熵模型 ●決策樹，感知機及支援向量機 ●EM演算法及Boosting提升方法 統計機器學習之旅，從監督學習開始，透過分析已標記的資料集訓練模型，使預測未知資料。最基礎的就是線性迴歸。進一步深入，K近鄰（K-NN）演算法和貝氏推論是統計機器學習中的兩大核心技術。 之後則說明邏輯迴歸模型和最大熵模型，兩者專注於分類問題。決策樹、感知機和支援向量機（SVM）則代表了更進階的機器學習模型。決策樹通過構建樹狀結構來進行決策，其直觀性和易於理解的特點使其在解釋性要求較高的場景中非常受歡迎。感知機是一種二分類線性分類器，支援向量機則是一種強大的分類器，透過在特徵空間中找到一個最優分割平面來分離不同類別的數據。 最後，EM（期望最大化）演算法和Boosting方法是提升模型性能的高級技術。EM算法通過迭代最佳化來處理。 【目錄】 緒論 0.1本書講什麼，初衷是什麼 0.2貫穿本書的兩大思維模式 0.3這本書決定它還想要這樣 0.4如何使用本書 第 1 章 步入監督學習之旅 1.1機器學習從資料開始 1.2監督學習是什麼 1.3如何評價模型的好壞 1.4損失最小化思想 1.5怎樣理解模型的性能：方差 偏差折中思想 1.6如何選擇最佳模型 1.7本章小結 1.8 習題 第 2 章 線性迴歸模型 2.1探尋線性迴歸模型 2.2最小平方法 2.3線性迴歸模型的預測 2.4擴充部分：嶺迴歸與套索迴歸 2.5案例分析——共用單車資料集 2.6本章小結 2.7 習題 第 3 章 K 近鄰模型 3.1鄰友思想 3.2K 近鄰演算法 3.3最近鄰分類器的誤差率 3.4k 維樹 3.5擴充部分：距離度量學習的 K 近鄰分類器 3.6案例分析——鶯尾花資料集 3.7本章小結 3.8 習題 第 4 章 貝氏推斷 4.1貝氏思想 4.2貝氏分類器 4.3如何訓練貝氏分類器 4.4常用的單純貝氏分類器 4.5擴充部分 4.6案例分析——蘑菇資料集 4.7本章小結 4.8 習題 4.9 閱讀時間：貝氏思想的起源 第 5 章 邏輯迴歸模型 5.1一切始於邏輯函式 5.2邏輯迴歸模型的學習 5.3邏輯迴歸模型的學習演算法 5.4擴充部分 5.5案例分析——離職資料集 5.6本章小結 5.7 習題 5.8 閱讀時間：牛頓法是牛頓提出的嗎 第 6 章 最大熵模型 6.1問世間熵為何物 6.2最大熵思想 6.3最大熵模型的學習問題 6.4模型學習的最最佳化演算法 6.5案例分析——湯圓小例子 6.6本章小結 6.7 習題 6.8 閱讀時間：奇妙的對數 第 7 章 決策樹模型 7.1決策樹中蘊含的基本思想 7.2決策樹的特徵選擇 7.3決策樹的生成演算法 7.4決策樹的剪枝過程 7.5擴充部分：隨機森林 7.6案例分析——帕爾默企鵝資料集 7.7本章小結 7.8 習題 7.9 閱讀時間：經濟學中的基尼指數 第 8 章 感知機模型 8.1感知機制——從邏輯迴歸到感知機 8.2感知機的學習 8.3感知機的最佳化演算法 8.4案例分析——鶯尾花資料集 8.5本章小結 8.6 習題 第 9 章 支援向量機 9.1從感知機到支援向量機 9.2線性可分支援向量機 9.3線性支援向量機 9.4非線性支援向量機 9.5SMO 最佳化方法 9.6案例分析——電離層資料集 9.7本章小結 9.8 習題 第 10 章 EM 演算法 10.1極大似然法與 EM 演算法 10.2EM 演算法的迭代過程 10.3EM 演算法的應用 10.4本章小結 10.5 習題 第 11 章 提升方法 11.1提升方法（Boosting）是一種整合學習方法 11.2起步於 AdaBoost 演算法 11.3提升樹和 GBDT 演算法 11.4擴充部分：XGBoost 演算法 11.5案例分析——波士頓房價資料集 11.6本章小結 11.7 習題 參考文獻 附錄-小冊子 第 1 章 微積分小工具 1.1 凸函式與凹函式 1.2 幾個重要的不等式 1.3 常見的求導公式與求導法則 1.4 泰勒公式 1.5 費馬原理 第 2 章 線性代數小工具 2.1 幾類特殊的矩陣 2.2 矩陣的基本運算 2.3 二次型的矩陣表示 第 3 章 機率統計小工具 3.1 隨機變數 3.2 機率分佈 3.3 數學期望和方差 3.4 常用的幾種分佈 3.5 小技巧—從二項分佈到正態分佈的連續修正 第 4 章 最佳化小工具 4.1 梯度下降法 4.2 牛頓法 4.3 擬牛頓法 4.4 座標下降法 4.5 拉格朗日對偶思想
類似書籍推薦給您
少年Py的大冒險－成為Python AI深度學習達人的第一門課(附範例光碟) ISBN13：9786263282964 出版社：全華圖書 作者：蔡炎龍;林澤佑;黃瑜萍;焉 然 裝訂／頁數：平裝／400頁 附件：CD 規格：26cm*19cm*2cm (高/寬/厚) 重量：772克 出版日：2022/09/23 中國圖書分類：電腦程式語言 內容簡介 近年來人工智慧最主要的重心在深度學習，也是因深度學習有許多突破性的發展，而讓人工智慧有了許多以前意想不到的應用。本書承襲前作《少年 Py的大冒險：成為Python數據分析達人的第一門課》的風格，藉由輕鬆活潑的方式，從基本的原理開始，讀者可一步步跟著書中每個冒險，成為可以活用AI的深度學習達人！ 本書規劃三個篇章，共41種冒險。從AI的原理、怎麼思考所需的AI模型開始說明，接著介紹神經網路三大天王（DNN、CNN、RNN），並大量運用Gradio這個有趣的套件，把書中的AI模型做成網路應用程式。 本書也介紹了如何用Hugging Face的transformers套件打造有趣的自然語言處理應用，以及使用DeepFace打造人臉辨識、情緒辨識等等。對於生成對抗網路（GAN）及強化學習也有相當詳細地說明。 本書特色 1.以三大篇章，共41種冒險旅程，成為可以活用AI的深度學習達人。 2.書中以各種有趣的範例，如：用電腦創作歌詞、使用DeepFace打造人臉辨識、情緒辨識等引發學習興趣。 3.書末以「股票的自動交易系統」為專題，從資料整理與程式實作兩方面做整合性的應用。 4.輕鬆活潑的筆調，搭配可愛的插圖，以圖解化方式加深學習印象。 目錄 第1篇【啟程】打造裝備，踏上深度學習冒險旅程 【工具準備】 冒險 01 Colab 免安裝的深度學習環境 冒險 02 瞭解Colab 的檔案系統 冒險 03 用Anaconda 在自己電腦打造深度學習環境 冒險 04 互動模式的復習 冒險 05 用 Gradio 神速打造 Web App！ 【人工智慧概念】 冒險 06 人工智慧就是問個好問題，化成函數的形式學個函數！ 冒險 07 打造函數學習機三部曲 冒險 08 運用深度學習的種種想法 第2篇【冒險】深度學習的三大天王 【全連結神經網路】 冒險 09 神經網路的概念和全連結神經網路 冒險 10 神經網路的學習方式 冒險 11 實作手寫辨識：MNIST 數據集 冒險 12 打造全連結神經網路函數學習機 冒險 13 讀回我們的 model, 用 gradio 瞬間打造網路 app！ 【圖形辨識天王 CNN】 冒險 14 圖形辨識天王 CNN 冒險 15 用 CNN 做圖形辨識 - 資料處理篇 冒險 16 三部曲打造圖形辨識 CNN 冒險 17 Cooper 真的是馬爾濟斯嗎？使用名門 CNN 幫助辨識！ 冒險 18 遷移式學習做八哥辨識 【有記憶的神經網路 RNN】 冒險 19 神經網路三大天王之有記憶的 RNN 冒險 20 IMDb 評論情意分析問題介紹 冒險 21 打造 RNN 情意分析函數學習機 冒險 22 打造真的可以使用的情意分析 冒險 23 RNN 技巧討論 冒險 24 《紅樓夢》生成器 冒險 25 打造自己的 Tokenizer（文字型資料的處理） 第3篇【回歸】發揮創意，看到 AI 的無限可能 【Attention 和 transformer】 冒險 26 RNN 看成 Encoder-Decoder Structure 冒險 27 Attention 注意力模式的概念 冒險 28 有機會成為第四大天王的變形金剛 transformer 冒險 29 芝麻街自然語言新時代 冒險 30 用 transformers 快速打造文字生成器 冒險 31 讓我們做歌詞產生器網路 App！ 【生成模式和 GAN】 冒險 32 神經網路的另一個打造方式 冒險 33 Functional API 介紹 冒險 34 簡單找表示向量的方法 Autoencoder 冒險 35 創作型的神經網路 GAN 冒險 36 有趣的 GAN 應用 冒險 37 FaceNet 和特徵表現向量的尋找 冒險 38 用 DeepFace 來做人臉辨識！ 【強化學習和 DQN】 冒險 39 強化學習的介紹 冒險 40 自動交易系統：資料整理篇 冒險 41 自動交易系統：程式實作篇
華通書坊
