人工智慧：智慧型系統導論 (3版)

相關熱銷的書籍推薦給您

書名：人工智慧：智慧型系統導論(第三版) 作者：李聯旺 出版社：全華 ISBN：9789862800959

機器學習：類神經網路、模糊系統以及基因演算法則 (4版)

相關熱銷的書籍推薦給您

書名：機器學習：類神經網路、模糊系統以及基因演算法則(第四版) 作者：蘇木春、張孝德 出版社：全華 出版日期：2016/05/00 ISBN：9789864632060 內容簡介 ■ 本書優點特色 1.將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。 2.以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 3.每一種理論都儘可能配合書中範例及圖表加以說明。 ■ 內容簡介 本書將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。此外，作者以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 目錄 第1章 類神經網路之簡介 第2章 感知機 第3章 多層感知機 第4章 非監督式類神經網路 第5章 聯想記憶 第6章 增強式學習 第7章 模糊集合 第8章 模糊關係及推論 第9章 模糊系統 第10章 基因演算法則

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

iPAS - AI應用規劃師中級應鑑指南(人工智慧技術應用與規劃、機器學習技術與應用)含AIE國際認證：MLAE機器學習應用工程師(Expert Level) (1版)

類似書籍推薦給您

【簡介】 1.完整知識架構：涵蓋AI基礎概念、機器學習、深度學習、生成式AI、多模態AI與大數據應用。 2.理論與實務並重：結合理論講解、實務案例與操作流程，培養實際應用能力。 3.掌握AI模型的架構和推理行為：建立優秀的模型建構、訓練與調校的能力。 4.導入規劃導向：包含AI專案評估、POC驗證、模型選擇、資料準備與部署流程；並重視AI治理、風險管理與國際治理規範。 5.大量範例與圖解：透過圖表與情境說明，降低學習門檻、提升理解效率。 6.完整對應IPAS－AI應用規劃師能力鑑定的最新命題方向，並結合AIE人工智慧專業能力國際認證：MLAE機器學習應用工程師的核心知識架構。 【目錄】 第1 篇 人工智慧技術應用與規劃（ iPAS 中級科目1 ） 主題1 AI 相關技術應用 第1 章 自然語言處理（NLP）技術與應用 1-1 認識自然語言（NLP） 1-2 GenAI、LLM 和NLP 三重奏 1-3 GenAI、LLM 和NLP 三合一的魅力 1-4 展現更多商業價值 1-5 RAG 的角色與使用要點 1-6 實務應用 模擬試題   第2 章 電腦視覺技術與應用 2-1 介紹電腦視覺（Computer Vision） 2-2 電腦視覺的發展歷史 2-3 正在崛起的視覺GenAI 2-4 電腦視覺的應用 2-5 電腦視覺技術的未來發展 2-6 實務應用 模擬試題   第3 章 生成式AI 技術與應用 3-1 生成式AI 的內涵 3-2 大型語言模型（LLM） 3-3 LLM 的幻覺問題 3-4 LLM 搭配RAG：降低幻覺 3-5 RAG、微調與提示工程 3-6 GenAI 的常見應用 3-7 GenAI 的未來發展 3-8 實務應用 模擬試題   第4 章 多模態人工智慧應用 4-1 簡介多模態AI 4-2 流行的多模態AI 模型 4-3 多模態AI 應用情境 4-4 多模態AI 提升人機介面（HCI） 4-5 多模態AI 提升人的決策力 4-6 多模態AI 的未來發展 4-7 實務應用 模擬試題   主題2 AI 導入評估規劃 第5 章 AI 導入評估 5-1 什麼是「AI 導入評估」 5-2 AI 導入評估的主要內容 5-3 概念驗證（Proof of Concept, POC）方法 5-4 快速原型（Rapid Prototyping）驗證方法 5-5 實務應用 模擬試題   第6 章 AI 導入規劃 6-1 AI 專案規劃包含哪些內容 6-2 了解問題，訂定專案目標（Goal） 6-3 挑選優先用例（Use Case），進行用例評估 6-4 模型（Model）選擇 6-5 收集高品質的資料（Data） 6-6 組成多元團隊，並制定風險管理計劃 6-7 模型訓練& 部署（Train & Deploy） 6-8 實務應用 模擬試題   第7 章 AI 風險管理 7-1 為什麼AI 導入需要風險管理 7-2 AI 專案風險管理的範圍 7-3 常見AI 風險類型 7-4 風險評估流程 7-5 對應的控管策略 7-6 實務應用 模擬試題   主題3 AI 技術應用與系統部署 第8 章 數據準備與模型選擇――以生成式AI 為例 8-1 數據準備（Data Preparation）的涵意 8-2 數據準備的六項關鍵任務 8-3 數據準備實施中的注意事項 8-4 模型選擇（Model Selection） 8-5 開發原型，快速驗證 8-6 實務應用 模擬試題   第9 章 AI 技術系統集成與部署—以生成式AI 為例 9-1 AI 系統整合（集成）架構 9-2 AI 部署與挑戰 9-3 AI 部署的流程：以GenAI 為例 9-4 實務應用 模擬試題   第2 篇 機器學習技術與應用（ iPAS 中級科目3 ） 主題1 機器學習基礎數學 第1 章 機率/ 統計之機器學習基礎應用 1-1 統計學是現代AI 的起點 1-2 使用sigmoid 函數讓迴歸線輸出機率 1-3 簡單的線性迴歸分析 1-4 從線性迴歸到多類分類 1-5 範例說明 模擬試題   第2 章 線性代數之機器學習基礎應用 2-1 迴歸線的本質就是線性代數 2-2 空間映射：資料穿越空間，成為智慧 2-3 機器學習（ML）的邏輯步驟 2-4 範例說明 模擬試題   第3 章 數值優化技術與方法 3-1 模型優化的重要概念 3-2 優化器的種類 3-3 反向傳播（BP）與優化器的完美協作 3-4 ML 的數值優化流程 3-5 範例說明 模擬試題   主題2 機器學習與深度學習 第4 章 機器學習原理與技術 4-1 機器學習（Machine Learning）的原理 4-2 從資料樣本提取特徵（Feature） 4-3 AI 從特徵中學習其規律 4-4 範例說明 模擬試題   第5 章 常見機器學習演算法 5-1 鑑別式AI 演算法 5-2 生成式AI 演算法 5-3 介紹邏輯迴歸模型 5-4 介紹神經網路模型 5-5 介紹卷積神經網路（CNN）模型 5-6 範例說明 模擬試題   第6 章 深度學習原理與框架 6-1 介紹深度學習 6-2 深度學習框架 6-3 使用PyTorch 框架：分辨「水果」圖片 6-4 範例說明 模擬試題   主題3 機器學習建模與參數調校 第7 章 數據準備與特徵工程 7-1 數據準備與特徵工程之關係 7-2 數據準備與資料預處理 7-3 特徵工程 7-4 認識分類型特徵 7-5 展開特徵工程，並訓練模型 7-6 範例說明 模擬試題   第8 章 模型選擇與架構設計 8-1 模型選擇 8-2 ML 架構設計 8-3 模型選擇與架構設計之迭代過程 8-4 遷移學習：復用ResNet50 模型 8-5 範例說明 模擬試題   第9 章 模型訓練、評估與驗證 9-1 模型訓練與評估 9-2 四項基本評估指標 9-3 模型驗證與測試 9-4 範例說明 模擬試題   第10 章 模型調整與優化 10-1 模型調整的涵義 10-2 模型調整方法 10-3 模型優化技術 10-4 模型微調（Fine-tuning）：以LoRA 為例 10-5 範例說明 模擬試題   主題4 機器學習治理 第11 章 數據隱私、安全與合規 11-1 資料隱私與資料安全之關係 11-2 資料隱私 11-3 數據安全 11-4 數據合規與AI 治理 11-5 範例說明 模擬試題   第12 章 演算法偏見與公平性 12-1 ML 偏見導致不公平性 12-2 ML 演算法的偏見 12-3 ML 演算法的公平性 12-4 細說可解釋性 12-5 範例說明 模擬試題

從程式員到 AI 專家｜寫給程式員的人工智慧與機器學習指南 (1版)

類似書籍推薦給您

內容簡介 　　如果你想從程式員轉職為AI專家，本書是理想的起點。本書來自Laurence Moroney的成功AI課程，將會帶著你親自動手寫程式，讓你充滿信心地學習重要的主題，你要做的，只是用Python和它的資料表示法及陣列處理法來做實驗。 　　你會學到如何實作機器學習最常見的場景，包括電腦視覺、自然語言處理(NLP)，以及在web、行動設備、雲端與嵌入式等執行環境中建立序列模型。大多數的機器學習書籍在一開始都會展示大量且令人生畏的高等數學，但這本書提供實用的課程，直接帶你編寫實用的程式。 　　• 透過範例程式了解機器學習的基本知識 　　• 使用TensorFlow為各種場景建模模型 　　• 用只有一個神經元的神經網路建構模型 　　• 實作電腦視覺，包括在圖像中偵測特徵 　　• 使用NLP將單字和句子基元化及組成序列 　　• 將模型植入Android與iOS設備 　　• 使用TensorFlow Serving，讓模型透過web或雲端提供服務 名人推薦 　　「本書使用TensorFlow徹底教你了解及實作機器學習與人工智慧模型。」 　　—Jialin Huang博士 　　微軟資料與應用科學家 　　「Laurence Moroney一直是讓TensorFlow成為全球AI框架龍頭的主力，我很榮幸可以透過deeplearning.ai與Coursera來協助他指導TensorFlow。希望你在學習TensorFlow的過程中一切順利。有Laurence當你的導師，你將展開一場偉大的冒險旅程。」 　　—Andrew Ng 　　deeplearning.ai創辦人 目錄 推薦序 前言 【第一部分 建構模型】 第1章 TensorFlow 簡介 第2章 電腦視覺簡介 第3章 從基礎晉級：偵測圖像中的特徵 第4章 使用 TensorFlow Datasets 來取得公開的資料組 第5章 自然語言處理簡介 第6章 使用 embedding 來以程式表達情緒 第7章 用遞迴神經網路來處理自然語言 第8章 使用 TensorFlow 來創造文本 第9章 了解序列和時間序列資料 第10章 建立 ML 模型來預測序列 第11章 使用摺積和遞迴方法來製作序列模型 【第二部分 使用模型】 第12章 TensorFlow Lite 簡介 第13章 在 Android app 使用 TensorFlow Lite 第14章 在 iOS app 裡使用 TensorFlow Lite 第15章 TensorFlow.js 簡介 第16章 用 TensorFlow.js 製作電腦視覺的設計技術 第17章 將 Python 模型轉換成 JavaScript 來重複使用它 第18章 遷移學習，使用 JavaScript 第19章 用 TensorFlow Serving 來部署 第20章 AI 道德、公平性和隱私

架構資料與機器學習平台｜雲端啟動分析與AI驅動的創新 (1版)

類似書籍推薦給您

【簡介】 　　＊全面掌握雲端資料與AI平台設計關鍵 　　＊實戰導向，靈活運用AWS、Azure、Google Cloud、Snowflake、Databricks 　　＊從基礎到進階，打造符合企業需求的現代化資料平台 　　＊強化資料治理，加速AI/ML創新，驅動決策智慧 　　無論你是資料架構師、工程師，或是希望運用AI強化決策的企業領導者，本書都將成為你打造未來資料與機器學習平台的最佳指南！ 　　在資料驅動的時代，企業該如何善用資料創造價值？ 　　本書由三位資深工程師聯手打造，為雲端架構師與資料專業人士提供了一套清晰完整的解決方案。從雲端資料平台的設計到AI與機器學習的整合，帶您走過資料現代化的每一步。無論是整合分散的資料、實現即時決策，還是利用AI解鎖創新潛力，本書都提供了實用的架構與工具，幫助你在雲端時代保持優勢。 　　「本書完整介紹，如何依據企業組織的策略方向，設計與建置現代雲端資料與ML平台的概念、模式與元件。真希望我能在多年前就能讀到這本書。」 —Robert Sahlin，Mathem資料平台主管 　　所有的雲端架構師都必須知道如何建置資料平台，以賦與企業能夠快速高效地做出資料驅動的決策，並在整個企業範圍內提供智能化服務。本書將展示如何使用AWS、Azure、Google Cloud以及Snowflake與Databricks這類多重雲端工具，設計、建置與現代化雲端原生資料與機器學習平台。 　　作者Marco Tranquillin、Valliappa Lakshmanan與Firat Tekiner使用真實世界企業架構來說明，內容涵蓋從雲端匯入到啟動整個資料生命週期。你將學到如何轉換、保全與現代化資料倉儲與資料湖這些熟悉的解決方案，也將能充份利用最新的AI/ML模式取得精準且快速的洞見，提升競爭優勢。 　　你將學會： 　　＊設計現代化且安全的雲端原生或混合資料分析與機器學習平台 　　＊透過將企業資料整合到治理良好、可擴充的與彈性的資料平台，加速資料導向的創新。 　　＊民主化存取企業資料，治理業務團隊提取洞見方式與建置AI/ML的能力。 　　＊讓您的企業利用串流管道即時決策 　　＊建置MLOps平台，移往預測性與指示性分析   【目錄】 第一章 資料平台現代化：簡介 第二章 資料創新的策略性作法 第三章 設計資料團隊 第四章 遷移框架 第五章 架構資料湖 第六章 企業資料倉儲的創新 第七章 湖倉融合 第八章 串流架構 第九章 混合與邊緣擴展資料平台 第十章 AI應用架構 第十一章 架構ML平台 第十二章 資料平台現代化：模型案例