人工智慧：智慧型系統導論3/e (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

邊緣AI｜使用嵌入式機器學習解決真實世界的問題

類似書籍推薦給您

【簡介】 邊緣AI正轉變著電腦與現實世界的互動方式，讓物聯網裝置能夠重拾先前因成本、頻寬或電力限制而被捨棄的99%感測器資料，進而做出決策。透過嵌入式機器學習等技術，開發者就能精煉人類直覺並將其部署到各種目標上，涵蓋了超低功耗微控制器到嵌入式Linux裝置。 這本實用指南為專業工程人士，包括產品經理和技術主管，提供了一個運用邊緣AI技術來解決實際工業、商業和科學問題的端對端框架。你將有機會探索從資料收集、模型最佳化再到調校測試的所有階段，學習如何設計和支援邊緣AI和嵌入式機器學習產品。邊緣AI必定會成為系統工程師的標準工具，本書中的高階路線圖可幫助你快速上手。 ．奠定關於邊緣裝置的AI和ML專業知識 ．了解哪些專案最適合使用邊緣AI來解決 ．探索邊緣AI應用的關鍵設計模式 ．學習開發AI系統的迭代工作流程 ．打造一支能夠解決實際問題的團隊 ．遵循負責任AI過程來製作有效的產品 「本書針對如何結合現今的AI智慧技術和嵌入式系統做了完美的介紹」 —Elecia White 《Making Embedded Systems》書籍作者與Embedded數位廣播節目主持人 「任何剛踏入這個新興領域的人都會受益於本書所提供的深刻見解和清晰思緒」 —Aurélien Geron 曾任YouTube自動影片分類小組主管與暢銷書作家 「我可以想像這本書被大家當作參考書來反覆查找」 —Fran Baker Arm永續與社會影響力部門主任 【目錄】 前言 第1章 邊緣AI簡介 　定義關鍵詞彙 　為什麼需要邊緣AI 第2章 真實世界中的邊緣AI 　邊緣AI 的常見使用案例 　應用類型 　以負責任的態度來開發應用 第3章 邊緣AI 的各種硬體 　感測器、訊號與資料來源 　邊緣AI 處理器 第4章 邊緣AI 演算法 　特徵工程 　AI 演算法 第5章 工具和專業知識 　建立邊緣AI 開發團隊 　產業工具 第6章 理解和界定問題 　邊緣AI 工作流程 　我需要邊緣AI 嗎 　確定可行性 第7章 如何建立資料集 　資料集長什麼樣子 　理想的資料集 　資料集和領域專業知識 　資料、倫理和負責任的 AI 　以資料為中心的機器學習 　估算資料需求 　取得資料 　儲存與取得資料 　確保資料品質 　準備資料 　隨著時間建立資料集 第8章 設計邊緣AI 應用程式 　產品和體驗設計 　架構設計 　考慮設計中的各種選項 第9章 開發邊緣AI 應用程式 　邊緣AI 的迭代式開發工作流程 　總結 第10章 評估、部署和支援邊緣AI 應用程式 　評估邊緣AI 系統 　部署邊緣AI 應用程式 　支援邊緣AI 應用 第11章 案例：野生動物監測系統 　探索問題 　探索解決方案 　設定目標 　設計解決方案 　蒐集資料集 　DSP 和機器學習工作流程 　測試模型 　部署 　迭代和回饋循環 　AI 造福世界 　相關成果 第12章 使用案例：食品品質保證 　探索問題 　探索解決方案 　設定目標 　設計解決方案 　蒐集資料集 　DSP 和機器學習工作流程 　測試模型 　部署 　迭代和回饋循環 　相關成果 第13章 使用案例：消費性產品使用案例－消費性產品 　探索問題 　設定目標 　設計解決方案 　蒐集資料集 　DSP 和機器學習工作流程 　測試模型 　部署 　迭代和回饋循環 　相關成果

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

機器學習的訓練資料

類似書籍推薦給您

【簡介】 從標註到資料科學的人類監督 掌握訓練資料的訣竅，提升AI專案成功率 「本書以全方位的視角解說如何產生高品質的訓練資料以及啟動新專案。」 — Anirudh Koul Pinterest機器學習、資料科學負責人 「要做好機器學習，必須學習如何訓練資料。本書的價值比黃金還要珍貴。」 — Neal Linson InCite Logix首席資料與分析長，LLM超級明星 您的訓練資料對於資料專案的成功與否與演算法本身一樣重要，因為人工智慧系統的大多數失敗都與訓練資料有關。儘管訓練資料是成功的人工智慧與機器學習的基礎，但鮮少有全面的資源可以幫助您掌握這一過程。 在這本實用指南中，作者Anthony Sarkis（Diffgram AI訓練資料軟體的首席工程師）向技術專業人員、管理者和相關領域專家展示如何處理和擴展訓練資料，同時闡述監督機器的人性面。無論是工程領導者、資料工程師或是資料科學專業人士，都能從本書獲得成功使用訓練資料所需之概念、工具和流程的深入理解。 透過這本書，您將學會： ‧有效地處理訓練資料，包括綱要、原始資料和標註 ‧將工作、團隊或組織轉型為更以人工智慧/機器學習資料為中心 ‧向其他員工、團隊成員和利益相關者清楚解釋訓練資料概念 ‧為生產級別的人工智慧應用設計、部署和交付訓練資料 ‧識別並修正基於新訓練資料的失敗模式，如資料偏差 ‧完全掌握自動化技術，更有效地建立訓練資料 ‧成功維護、操作和改進訓練資料的記錄系統 【目錄】 前言 第 01 章　訓練資料導論 　　訓練資料的意圖 　　訓練資料的機會 　　訓練資料的重要性 　　真實的訓練資料 　　生成式人工智慧 　　總結 第 02 章　快速上手 　　引言 　　快速上手 　　工具概述 　　取捨 　　歷史 　　總結 第 03 章　綱要 　　深入介紹綱要 　　標籤和屬性：內容 　　空間表達法：在哪裡？ 　　關係、序列、時間序列：何時？ 　　指南和說明 　　機器學習任務與訓練資料的關係 　　通用概念 　　總結 第 04 章　資料工程 　　引言 　　原始資料儲存 　　格式和映射 　　資料存取 　　安全性 　　預標記 　　總結 第 05 章　工作流程 　　引言 　　技術和人之間的黏合劑 　　開始人類任務 　　品質保證 　　分析 　　模型 　　資料流 　　直接標註 　　總結 第 06 章　理論、概念和維護 　　引言 　　理論 　　一般概念 　　樣本建立 　　維護 　　訓練資料管理 　　總結 第 07 章　人工智慧轉型與應用案例 　　引言 　　人工智慧轉型 　　任命領導者：人工智慧資料主管 　　使用案例發現 　　新的「群眾外包」：您自己的專家 　　現代訓練資料工具 　　總結 第 08 章　自動化 　　引言 　　入門 　　取捨 　　預標記 　　互動式標註自動化 　　品質保證自動化 　　資料發掘：應該標記的內容 　　擴增 　　模擬和合成資料 　　媒體特定 　　特定於領域 　　總結 第 09 章　案例研究和故事 　　引言 　　產業 　　訓練資料的學術方法 　　總結

機器學習的高風險應用｜負責任的人工智慧方法

類似書籍推薦給您

【簡介】 作者完美呈現監管單位觀點、風險管理、可解釋性與其他諸多主題的概觀，同時提供實務建議與程式碼範例。」 —Christoph Molnar Interpretable Machine Learning作者 「使用獨特戰術處理方式，解決ML系統風險，讓本書脫穎而出。透過細微差異的處理降低ML風險，為讀者提供寶貴資源，以負責任又可持續的方式成功佈署ML系統。」 —Liz Grennan Digital Trust, McKinsey&Company初級合夥人暨全球事務共同領導者 過去十年，見證了人工智慧與機器學習(AI/ML)技術的廣泛採用。然而，疏於監督這些廣泛實施的技術，導致原本可由適切風險管理來避免的事故與不良後果。在認識AI/ML真正的好處前，從業人員必須瞭解如何降低風險。 本書說明負責任AI的處理方式：建立在風險管理、資安、資料隱私上，並套用社交科學的最佳實作，提升AI/ML技術、商業程序與文化能力的完整框架。作者Patrick Hall、James Curtis與Parul Pandey創作了這本指南，以期能協助企業、客戶與大眾改善真實世界AI/ML系統結果的資料科學家。 ‧學習完整涵蓋可解釋性、模組驗證與除錯、偏見管理、資料隱私與ML安全性的負責任AI技術處理 ‧學習如何建立成功的、有影響力的AI風險管理實作 ‧對採用AI技術的現有標準、法律與評估方式有基本瞭解，包括近期的NIST AI Risk Management Framework ‧使用GitHub與Colab的互動式資源 【目錄】 前言 第一部 AI風險管理理論與實務應用 第一章 當代機器學習風險管理 第二章 可詮釋性與可解釋性機器學習 第三章 機器學習系統的安全與效能除錯 第四章 機器學習偏差管理 第五章 機器學習安全性 第二部 AI 風險管理付諸實現 第六章 可解釋增強機與解釋XGBoost 第七章 解釋PyTorch 影像分類器 第八章 XGBoost 模型的選擇與除錯 第九章 PyTorch 影像分類除錯 第十章 使用XGBoost 測試與補救偏差 第十一章 XGBoost 紅隊演練 第三部 結論 第十二章 如何實現高風險機器學習目標 索引

機器學習的公式推導和程式實作 (1版)

類似書籍推薦給您

【簡介】 　　進行機器學習的開發時，精通相關數學理論是關鍵的基礎。本書基於對所有機器學習演算法的系統分類，詳細介紹了監督學習單模型、監督學習集成模型、無監督學習模型、概率模型等四大類共26個經典演算法，並進行詳細的公式推導和程式碼實現。旨在協助讀者充分了解演算法細節、實現方法和內在邏輯。 　　本書適合數理基礎扎實的初學者，也適合深入學習的進階者閱讀，同時可作為機器學習領域的參考書籍。 【目錄】 第一部分：入門篇 第 1 章 機器學習預備知識 第二部分：監督學習單模型 第 2 章 線性迴歸 第 3 章 邏輯迴歸 第 4 章 迴歸模型擴展 第 5 章 線性判別分析 第 6 章 k 近鄰演算法 第 7 章 決策樹 第 8 章 神經網路 第 9 章 支援向量機 第三部分：監督學習整合模型 第 10 章 AdaBoost 第 11 章 GBDT 第 12 章 XGBoost 第 13 章 LightGBM 第 14 章 CatBoost 第 15 章 隨機森林 第 16 章 整合學習：對比與調參 第四部分：無監督學習模型 第 17 章 聚類分析與 k 均值聚類演算法 第 18 章 主成分分析 第 19 章 奇異值分解 第五部分：機率模型 第 20 章 最大訊息熵模型 第 21 章 貝氏機率模型 第 22 章 EM 演算法 第 23 章 隱馬可夫模型 第 24 章 條件隨機場 第 25 章 馬可夫鏈蒙地卡羅方法 第六部分：總結 第 26 章 機器學習模型總結 參考文獻