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
立即查看
萬顆GPU的訓練：分散式機器學習 — 系統工程與實戰 (1版)
類似書籍推薦給您
【簡介】
＊分散式機器學習機礎，包括資料、模型、管線的並行
＊集合通訊的重要性、參數伺服器PS-Lite
＊PyTorch DataParalle、PyTorch DDP的基礎及動態邏輯
＊Uber Horovod的原理及實作
＊GPipe、PyTorch的管線並行及PipeDream基礎架構及實作
＊Megatron原理及實作、PyTorch的模型並行原理實作
＊分散式運算的最佳化器
＊TensorFlow的分散式環境，靜態架構、動態邏輯
＊分散式架構的策略基礎、MirroredStrategy、ParameterServerStrategy
本書書以PyTorch為主體講解，從系統和實踐的角度對分散式機器學習進行整理。
包括了第1篇分散式基礎，介紹了分散式機器學習的基本概念、基礎設施，以及機器學習並行化的技術、框架和軟體系統，然後對集合通訊和參數伺服器PS-Lite進行了介紹。
第2篇介紹資料並行，將計算負載切分到多張卡上，實作為PyTorch及Horovod。
第3篇介紹模型並行，主要說明了張量模型並行及管線模弄並行，讓模型可以放入多節點上。
第4篇NVIDIA Megatron進行分析，講解如何進行層內分割模型並行，然後學習PyTorch如何支援模型並行。
第5篇則是將全書的內容用TensorFlow實作，讓已經熟悉TensorFlow的使用者不必重新學習新的框架。
【目錄】
第1篇 分散式基礎
第1章 分散式機器學習
1.1 機器學習概念
1.2 機器學習的特點
1.3 分散式訓練的必要性
1.4 分散式機器學習研究領域
1.5 從模型角度看如何並行
1.6 從訓練併發角度看如何並行
1.7 分散式機器學習程式設計介面
1.8 PyTorch分散式
1.9 總結
第2章 集合通訊
2.1 通訊模式
2.2 點對點通訊
2.3 集合通訊
2.4 MPI_AllReduce
2.5 Ring All-Reduce
第3章 參數伺服器之PS-Lite
3.1 參數伺服器
3.2 基礎模組Postoffice
3.3 通訊模組Van
3.4 代理人Customer
3.5 應用節點實現
第2篇 資料並行
第4章 PyTorch DataParallel
4.1 整體說明
4.2 範例
4.3 定義
4.4 前向傳播
4.5 計算損失
4.6 反向傳播
4.7 總結
第5章 PyTorch DDP的基礎架構
5.1 DDP總述
5.2 設計理念
5.3 基礎概念
5.4 架構和初始化
第6章 PyTorch DDP的動態邏輯
6.1 Reducer類別
6.2 前向/反向傳播
第7章 Horovod
7.1 從使用者角度切入
7.2 horovodrun
7.3 網路基礎和Driver
7.4 DistributedOptimizer
7.5 融合框架
7.6 背景執行緒架構
第3篇 管線並行
第8章 GPipe
8.1 管線基本實現
8.2 梯度累積
8.3 Checkpointing
第9章 PyTorch管線並行
9.1 如何劃分模型
9.2 切分資料和Runtime系統
9.3 前向計算
9.4 計算依賴
9.5 平行計算
第10章 PipeDream之基礎架構
10.1 整體想法
10.2 profile階段
10.3 計算分區階段
10.4 轉換模型階段
第11章 PipeDream之動態邏輯
11.1 Runtime引擎
11.2 通訊模組
11.3 1F1B策略
第4篇 模型並行
第12章 Megatron
12.1 設計想法
12.2 模型並行實現
12.3 如何設置各種並行
12.4 Pipedream的管線刷新
第13章 PyTorch如何實現模型並行
13.1 PyTorch模型並行
13.2 分散式自動求導之設計
13.3 RPC基礎
13.4 上下文相關
13.5 如何切入引擎
13.6 自動求導引擎
第14章 分散式最佳化器
14.1 原生最佳化器
14.2 DP的最佳化器
14.3 DDP的最佳化器
14.4 Horovod的最佳化器
14.5 模型並行的分散式問題
14.6 PyTorch分散式最佳化器
14.7 PipeDream分散式最佳化器
第5篇 TensorFlow分散式
第15章 分散式運行環境之靜態架構
15.1 整體架構
15.2 Server
15.3 Master的靜態邏輯
15.4 Worker的靜態邏輯
第16章 分散式運行環境之動態邏輯
16.1 Session機制
16.2 Master動態邏輯
16.3 Worker動態邏輯
16.4 通訊機制
第17章 分散式策略基礎
17.1 使用TensorFlow進行分散式訓練
17.2 DistributedStrategy基礎
17.3 分散式變數
第18章 MirroredStrategy
18.1 MirroredStrategy集合通訊
18.2 MirroredStrategy分發計算
第19章 ParameterServerStrategy
19.1 ParameterServerStrategyV1
19.2 ParameterServerStrategyV2
19.3 ClusterCoordinator
原價:
1280
售價:
1152
現省:
128元
立即查看
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
立即查看
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
立即查看
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
立即查看
華通書坊
