手機應用程式設計超簡單--App Inventor 2零基礎入門班(中文介面第六版)(附APP實戰與打造ChatGPT聊天機器人影音) (6版)

類似書籍推薦給您

手機應用程式設計超簡單：App Inventor 2零基礎入門班（中文介面附APP實戰與打造ChatGPT聊天機器人影音） 系列名：程式設計 ISBN13：9786263245389 出版社：碁峰資訊 作者：鄧君如-總監製;文淵閣工作室-編著 裝訂／頁數：平裝／232頁 規格：26cm*19cm*1.4cm (高/寬/厚) 版次：6 出版日：2023/07/27 內容簡介 眾多讀者與教師第一指名，App Inventor跨平台與AI人工智慧體驗！ 掌握App開發的捷徑，輕鬆打好基本功！ 立即啟動App Inventor 2！縮短50%的App學習與開發時間！ Google實驗室設計，由麻省理工學院(MIT)行動學習中心維護的App Inventor，風靡無數App開發者、一般App玩家，以及學校師生。以直覺、圖像化的拼塊方式開發App，成為任何人都適用的快速開發工具。App Inventor 2改善開發環境與流程，簡化了拼塊的使用與設定，無論是否具備程式設計背景，都可以更輕鬆的入門。現在，除了原本的Android平台開發之外，也新增iPad、iPhone等iOS設備跨平台開發的實機模擬。 好學、易用，又強大！ 快速邁向App開發之路 超簡單App Inventor實戰體驗 ■ 適用無程式設計經驗，或想打好App Inventor基礎者。 ■ 適合學校每週固定時數的課程，或是讀者自我固定時數的學習。 ■ 結合運算思維，將拼塊式的快速開發方式融入主流學習中，符合程式設計的學習流程，由淺入深掌握每個程式開發的重要環節，並按部就班引領學習者進入App開發的殿堂。 ■ 設計簡易而實用的小範例，以養成邏輯概念，扎下良好基礎，並快速感受App Inventor在行動裝置的應用性。每個章節都能單獨學習或與其他單元結合，可根據開發需求了解不同元件的功能與使用方式。 ■ 範例多元，內容涵蓋多媒體、動畫、簡訊、網路、清單、資料庫、感測器、地圖與語音辨識…等，更新增圖表、試算表應用，讓許多強大的功能都可以快速展現。 ■ 介紹新版模擬器，針對綜合練習的App專題實戰標示出Android、iOS設備跨平台開發的適用性。 ★超值全彩印刷，易看易學易開發★ 【超值學習資源】 「App開發實戰」影音教學/全書範例/延伸練習 「單機版與伺服器架設」說明PDF/附錄PDF 「Google Play上架全攻略」PDF 「打造ChatGPT聊天機器人」影音教學     目錄 01 用拼塊建構程式運算思維 App Inventor 使用拼塊的方式進行程式的開發，建構運算思維。 02 使用者介面 標籤、文字輸入盒、按鈕、圖像及滑桿元件是效果很好的互動介面元件。 綜合練習：英文水果盤App 03 基礎運算 加、減、乘、除稱為算術運算。字串在處理時也能進行字串運算。 綜合練習：面積換算器App 04 流程控制 執行程式通常是循序執行，就是依照程式碼一列一列依次執行；但有時需依情況不同而執行不同程式碼，其依據的原則就是「判斷式」。 綜合練習：BMI計算機App 05 程序應用 在開發時會將具有特定功能或經常重複使用的程式拼塊，稱為程序。 綜合練習：成語克漏字App 06 多媒體 照相機、圖像選擇器、音效、音樂播放器、錄音機、攝影機及影片播放器元件為行動裝置加入多媒體的呈現。 綜合練習：音樂相簿App 07 繪圖動畫與圖表 畫布元件可以繪製圖形，圖像精靈及球形精靈屬於繪圖動畫類別元件。 綜合練習：乒乓球遊戲App 08 電話簡訊與網路 利用電話、簡訊與聯絡人的資料來擷取聯絡人資料、撥打電話、發送簡訊。網路瀏覽器元件可以網頁內容元件，Activity呼叫其他應用程式。 綜合練習：我愛動物園App 09 清單 在App Inventor的程式設計中，清單的使用可以取代大量變數，增進程式執行時的效能。 綜合練習：線上點餐系統App Appindex 附錄 (附錄單元為PDF電子檔形式，請見線上下載) A 檔案與資料庫 微型資料庫元件將資料儲存於本機的資料庫，網路微型資料庫元件則是將資料儲存於雲端，開發者可以視資料庫的需求來進行存取。 綜合練習：美食名店App B 感測器 主要有加速度感測器、位置感測器、方向感測器和計步器。可以偵測行動裝置傾斜狀況、目前行動裝置的位置、方位，以及計算走路的時間、步數和距離。 綜合練習：滾球遊戲App C 日期與時間 計時器組件主要有兩大功能：取得系統時間及定時觸發某個事件。提供視覺化的介面，供使用者選擇日期、時間。 D 語音與翻譯 語音辨識組件可讓使用者輸入語音，轉換為文字傳回。文字語音轉換器是將傳入的文字以語音方式讀出，語言翻譯器組件的功能則是將一種語言翻譯為另一種語言。 綜合練習：即時語音翻譯機 E 地圖 地圖組件可以建立地理定位應用程式，也有導航組件。 綜合練習：埔里美食地圖 F Charts類別組件 可以依數據繪製成不同類型的圖表，這些圖表可以用於顯示數據的趨勢、分布、比較等。

ChatGPT最強實戰工作術：90+提問模組，速升八大職能力，每天只上半天班 (1版)

類似書籍推薦給您

【簡介】 AI時代必備新職能，用ChatGPT優化傳統工作流程 3大溝通原則×8大職能應用×20+實際案例×90+提問模組， 升級核心競爭力！   　　★ 掃碼即送！購書限定特典「ChatGPT提示詞大全」 ★ 　　與ChatGPT一起超速學習，讓職涯更進階！ 　　讓AI幫你工作賺錢，擺脫朝九晚五的窮忙族   　　【改革轉捩點，通用AI讓分工專業化】 　　「工作法改革」是所有人的一定會遇到的必修課題，短時、高效又好品質更是所有工作者的終極目標。2022年ChatGPT問世，研究指出「ChatGPT將在八成的業界之中，對10%的業務造成影響，有兩成的業界則有50%的業務會被影響」。 　　當別人都在用，而你不會的時候就會被淘汰。   　　【「日本第一ChatGPT工作術職人」全步驟教學】 　　作者池田朋弘2022年開始，運用自己的創業經驗和最新人工智慧知識，先在自家企業全面導入ChatGPT，接著幫助其他企業導入ChatGPT的實戰應用，例如業務、產品開發、培訓和研討會等方面。同步經營YT頻道，積極推廣新型態AI工作術！   　　【掌握提示工程（Prompt Engineering）三大原則，從此ChatGPT不再跟你雞同鴨講】 　　‧提示 　　1. 收集資訊、提問 　　2. 撰寫與修訂文章 　　3. 擬定企劃、提出創意 　　4. 製作與修訂公式、程式 　　5. 翻譯與修訂其他語言 　　‧條件 　　1. 角色 　　2. 目的、背景 　　3. 要點 　　4. 參考範例、範本 　　5. 輸出範例 　　‧應對 　　1. 透過追加提示，得到更多資訊 　　2. 讓ChatGPT進行修訂 　　3. 讓ChatGPT發問   　　【本書最適合的讀者】 　　（1）有一定工作經驗，但薪水、職位上不去的你 　　（2）想減少文書處理時間的你 　　（3）時常需要創意激發的你 　　（4）想讓ChatGPT幫忙寫程式的你 　　（5）想快點收集到所需資料的你 　　（6）對ChatGPT一知半解的你   　　【實測有用！八大應用層面，九成工作都能解決】 　　（1）文書處理/製作（電郵、新聞稿、內部公告等等） 　　（2）創業、客戶需求相關的研究工作 　　（3）制定新企劃與靈感激發 　　（4）報表分析與企劃優劣評估 　　（5）建構分析系統 　　（6）業務工作（了解客戶需求、創建談話腳本等） 　　（7）行銷工作（提出見解、策劃立案等等） 　　（8）收集外語資訊、情報、翻譯和校對   　　【工作改善狀況】 　　‧書寫效率提升1.6倍，文章品質提升 　　‧回應客戶的速度提高1.3倍，客戶好評率提高1.3倍 　　‧工作流程生產力增加兩倍 　　‧傳統需要五天的工作，現在只需半天即可完成   本書特色 　　（1）範例超實用：從入門理論到進階操作，快速上手並靈活應用。 　　（2）應用最全面：涵蓋提升個人效率、創造力，涵蓋加強溝通能力和個人品牌，職涯發展最全面。 　　（3）最高CP值：90+提問模組直接套用，複製貼上一秒給答案。 【目錄】 前言／ 9 成工作，讓AI 幫你做   序章〈基礎篇1〉ChatGPT簡介 何謂ChatGPT 向ChatGPT提問與請求協助 設定ChatGPT ChatGPT的應用場景 該使用免費版還是付費版？ 智慧型手機也能使用ChatGPT 使用ChatGPT的指南（安全性策略與著作權）   第1章〈基礎篇2〉正確的提問方式 使用ChatGPT之前的「四項心理建設」 提供的技巧：設定提示詞的方法 提示工程的三大元素 三大提示詞的具體範例   第2章〈基礎篇3〉撰寫文章 利用ChatGPT撰寫文章 撰寫文章的常見課題 撰寫文章的流程 ChatGPT在撰寫文章的價值 ChatGPT辦不到的事 應用範例1撰寫郵件 應用範例2撰寫公司內部活動的說明 應用範例3 撰寫新聞稿（新商品／服務的說明） 應用範例4 撰寫部落格或是公司內部週報 應用範例5 撰寫企劃、提案與簡報資料 應用範例6 整理會議記錄   第3章〈基礎篇4〉透過ChatGPT收集資訊研究 收集資訊與研究的常見課題 收集資訊與研究的工作流程 ChatGPT在收集資訊與研究的價值 ChatGPT辦不到的事 微軟的Bing是什麼？ 應用範例1調查不知道的事情 應用範例2比較調查 應用範例3業界與市場的調查 善用思考框架   第4章〈基礎篇5〉研擬企劃 利用ChatGPT研擬企劃 研擬企劃的常見問題 研擬企劃的流程 ChatGPT在研擬企劃的價值 ChatGPT辦不到的事 應用範例1整理市場與顧客的現況找出課題與機會 透過思考框架編排回答內容 找出商機 分析市場與顧客 應用範例2提出企劃的創意 應用範例3製作計畫（事業計畫、待辦事項表、收支表）   第5章〈基礎篇6〉應用IT工具 請ChatGPT協助我們使用IT 工具 應用IT工具的常見問題 應用IT工具的流程 ChatGPT在應用IT工具的價值 ChatGPT辦不到的事 應用範例1 Excel的使用方法  ① 用語與基本操作  ② 具體的操作方式  ③ 需求＋操作方式  ④ 撰寫公式與函數  ⑤ 說明公式與函數  ⑥ 找出產生錯誤的原因 應用範例2撰寫Excel巨集  ① 撰寫巨集  ② 解說巨集  ③ 找出巨集的錯誤原因  ④ 撰寫自訂函數   第6章〈應用篇1〉業務行銷 在業務工作應用ChatGPT 業務工作的常見課題 業務工作的流程 ChatGPT在業務工作的價值 ChatGPT辦不到的事 應用範例1理解顧客的需求 應用範例2撰寫電話預約話術 在行銷工作應用ChatGPT 行銷工作的常見課題 行銷工作的流程 ChatGPT在行銷工作的價值 ChatGPT辦不到的事 應用範例1找出洞見 應用範例2擬定行銷策略 應用範例3 撰寫X貼文 應用範例4 撰寫Google廣告文章   第7章〈應用篇2〉Excel試算表 提升Excel試算表的作業效率 應用OpenAI API的事前準備 在Excel試算表輸入提示詞（提問祕訣） 應用範例1 提升收集資訊的效率 應用範例2 替不同對象撰寫文章 應用範例3 文章資料的批次處理（分類或是貼標籤） 在OpenAI API註冊信用卡與設定上限   第8章〈應用篇3〉英語學習 支援多國語言的ChatGPT 應用範例1請ChatGPT 校閱自己撰寫的外語文章 應用範例2中文→外文的翻譯 應用範例3提升外文資訊收集效率（摘要） 應用範例4以聊天的方式練習外文 應用範例5外文語音練習   結語／ ChatGPT的未來發展與趨勢 看更多

不動產經紀相關法規概要(實戰篇) (10版)

類似書籍推薦給您

【簡介】 本書特色 本書係針對不動產從業人員考試編撰，作者特地將「不動產經紀相關法規概要」的考試內容作有系統的編排，以亮點方式呈現，在每一亮點，以「★★★」代表很重要，以「★★☆」代表重要，以「★☆☆」代表普通；並在每一亮點後，精選出具代表性之歷屆試題及解答，相信對考生的應試準備，方便而有效率。除各章選錄重要試題外，書末另收錄113～106年專技普考歷屆試題暨解答，提供考生練習以熟能生巧，活學活用。 作者另著有《不動產經紀相關法規概要（基礎篇）》，讀者搭配使用，可有效提升應考實力。 【目錄】 第一章　不動產經紀業管理條例 　亮點1　概說 　亮點2　經營不動產經紀業之條件 　亮點3　經紀業向主管機關申請備查 　亮點4　不動產經紀人員之資格 　亮點5　營業保證金 　亮點6　不動產經紀人簽章 　亮點7　不動產說明書 　亮點8　收取報酬之規範 　亮點9　經紀業與經紀人員之義務與責任 　亮點10　獎懲規定 第二章　消費者保護法 　亮點1　概說 　亮點2　政府及企業經營者應為之措施 　亮點3　企業經營者對商品或服務之責任 　亮點4　定型化契約 　亮點5　特種交易之規範 　亮點6　消費資訊之規範 　亮點7　消費者保護團體 　亮點8　行政監督 　亮點9　消費爭議之處理 　亮點10　罰則 第三章　公平交易法 　亮點1　概說 　亮點2　獨占 　亮點3　結合 　亮點4　聯合 　亮點5　限制競爭 　亮點6　虛偽不實或引人錯誤之表示或表徵 　亮點7　仿冒行為 　亮點8　不公平競爭 　亮點9　損害賠償 　亮點10　反托拉斯基金 　亮點11　其餘規定 　亮點12　調查及裁處程序 　亮點13　罰則 第四章　公寓大廈管理條例 　亮點1　概說 　亮點2　公寓大廈之部位 　亮點3　專有部分之使用與維修 　亮點4　共用部分之使用與維修 　亮點5　住戶之權利義務 　亮點6　公寓大廈之重建 　亮點7　公寓大廈之公共基金 　亮點8　惡鄰居之強制遷離或強制出讓 　亮點9　區分所有權人會議 　亮點10　管理委員會及管理負責人 　亮點11　規約 　亮點12　起造人之義務 　亮點13　管理服務人 　亮點14　其餘規定 　亮點15　罰則 第五章　不動產說明書及相關契約書之應記載及不得記載事項 第六章　不動產委託銷售定型化契約應記載及不得記載事項 第七章　預售屋買賣定型化契約應記載及不得記載事項 第八章　房屋租賃定型化契約應記載及不得記載事項 附錄一　相關法規 附錄二　歷屆試題

AIGC大型語言模型：個人應用到企業實戰立刻上手 (1版)

類似書籍推薦給您

【簡介】 https://youtu.be/YZ3u4tg1n8g ★AIGC的技術躍遷與「奇點臨近」 ★大模型的「百模大戰」與競爭格局 ★多模態模型與AGI的可能性 ★AIGC在商業領域的應用爆發 ★AIGC對社會與個人的轉型影響 ★AIGC在電子商務與行業轉型中的應用 ★ChatGPT提示詞最佳化與垂直應用 ★AI繪圖/音效/視訊生成技術的實際應用 ★AIGC技術的核心原理與架構 ★LangChain框架與AI應用的開發實踐 ★AutoGPT與HuggingGPT的協作能力 ★文生視訊在企業級應用中的實踐 ★專屬ChatGPT的定制與本地部署 ★AIGC的風險管理與安全框架 這是一本深入探討AIGC（生成式人工智慧）技術與應用的全面指南，從技術原理到實際應用，從個人使用到企業實踐，為讀者提供了一個完整的視野。 透過詳細的案例和清晰的架構，帶領讀者了解AIGC如何從技術奇點發展到商業應用的浪潮，並揭示ChatGPT、大模型、多模態技術等核心概念的演變與突破。 本書強調AIGC在社會底層技術變革中的重要角色，並深入剖析其在電子商務、數位內容創造以及企業轉型中的價值，為讀者呈現了AIGC如何改變各行業的運作模式。 【章節概要】 第一篇： 新手入門，帶領讀者從AIGC的技術躍遷到多模態模型的興起，剖析ChatGPT如何引領生成式人工智慧熱潮，並闡述大模型的快速發展及其在商業應用中的創新實踐。 第二篇： 深入探討AIGC在個人應用上的多樣可能性，從AI聊天對話的提示詞最佳化到外掛程式的垂直應用，從Midjourney和Stable Diffusion的AI繪畫實踐到AI音訊與視訊生成的多場景操作，展現AIGC如何提升創造力與生產效率。 第三篇： 專注於技術原理和架構解析，涵蓋ChatGPT的核心技術、擴散模型的運作機制，以及LangChain框架在AI應用開發中的實際案例，進一步延伸到AutoGPT與HuggingGPT系統的協作能力。 第四篇： 企業應用實戰，從文生視訊的企業級實作到AI的軟體研發系統升級，並進一步探索定制專屬ChatGPT的實踐方案，為企業讀者提供實際的操作指南與解決方案。 最後是AIGC安全與風險治理，分析演算法、資料及應用層面的潛在風險，並提出完善的安全框架，為AIGC的可持續發展提供了切實可行的建議。 【專家推薦】 「ChatGPT 的發佈讓AI 技術的發展走到了「iPhone 時刻」。這項變革性的技術為人們帶來了前所未有的互動體驗和便利，之後又湧現了各種新的模型和技術。本書從多個方面介紹了AIGC 乃至AGI（人工通用智慧）的原理、應用場景，以及個人和企業的應用案例，值得大家閱讀。」 楊守斌 微軟社區區域技術總監 MSRD 「ChatGPT 的出現再次提醒我們，科技的突破是跳躍式的。AIGC 的發展關係著我們每個人。本書詳細介紹了AIGC 的發展脈絡和技術創新，更示範了使用AIGC 解決實際問題的方法，適合所有對AI 感興趣的讀者閱讀。」 曹冬磊博士 Kavout 首席科學家 「ChatGPT 的問世使得原本高端、神秘的AI 突然走進了大眾的工作與生活。AI 並不會直接搶走你的工作，但能用好AI 的人可能會。 本書是一本涵蓋原理、應用場景、應用案例的寶典。相信它可以幫你走出AI 焦慮，走進AI 世界。」 黃添來 高途集團高級技術總監 【目錄】 第 1 部分 AI 基礎概念 第 1 章 人工智慧基礎 1.1 探索 AI 的世界 1.1.1 人工智慧的範疇 1.1.2 何謂人工智慧？ 1.1.3 人工智慧的演進 1.1.4 人工智慧的分級 1.2 機器學習大補帖 1.2.1 何謂機器學習？ 1.2.2 機器如何學習？ 1.2.3 資料學三劍客 1.2.4 機器學習流程 1.2.5 學 AI 該用哪種程式語言？ 1.3 環境安裝指南 1.3.1 Anaconda 介紹與安裝 第 2 章 發現資料的秘密 2.1 資料的探索與準備 2.1.1 什麼是資料？ 2.2 探索式資料分析 2.2.1 EDA 必要的套件 2.2.2 第一支EDA 程式：資料集一覽 2.2.3 資料集描述 2.2.4 載入資料集 2.2.5 直方圖 2.2.6 核密度估計圖 2.2.7 相關性熱圖 2.2.8 散佈圖 2.2.9 盒鬚圖 2.3 離群值的檢查與處理方法 2.3.1 檢查異常值的方法 2.3.2 處理異常值的方法 2.4 資料清理和前處理 2.4.1 缺失值的處理 2.4.2 類別資料的處理 2.5 數據正規化與標準化 2.5.1 正規化 (Normalization) 2.5.2 標準化（Standardization） 2.5.3 為何需要特徵縮放與轉換？ 2.5.4 特徵縮放與轉換 第 2 部分 機器學習入門 第 3 章 非監督式學習：資料分群分類 3.1 何謂非監督式學習？ 3.2 K-means 簡介 3.2.1 K-means 如何分群？ 3.2.2 K-means 的最佳化目標 3.3 K-means 實務應用：群眾消費行為分群 3.3.1 資料集描述 3.3.2 載入資料集 3.3.3 建立K-means 模型 3.3.4 inertia 評估分群結果 3.3.5 視覺化分群結果 3.3.6 如何選擇最佳的K 值 3.4 降維技術在機器學習中的應用 3.4.1 降維的概念 3.4.2 主成分分析（PCA） 3.4.3 t- 隨機鄰近嵌入法（t-SNE） 3.5 降維實務應用：手寫數字降維視覺化 3.5.1 資料集描述 3.5.2 載入資料集 3.5.3 將資料切分成訓練集與測試集 3.5.4 建立PCA 模型 3.5.5 建立t-SNE 模型 第 4 章 線性模型 4.1 線性迴歸 4.1.1 線性迴歸簡介 4.1.2 線性迴歸的損失函數 4.1.3 線性模型求解方法：閉式解與梯度下降 4.2 線性迴歸實務應用：同步機勵磁電流預測 4.2.1 資料集描述 4.2.2 載入資料集 4.2.3 將資料切分成訓練集與測試集 4.2.4 特徵標準化 4.2.5 建立Linear Regression 模型 4.2.6 評估模型 4.2.7 迴歸係數分析 4.3 邏輯迴歸 4.3.1 邏輯迴歸簡介 4.3.2 邏輯迴歸學習機制 4.3.3 邏輯迴歸的損失函數 4.3.4 多分類邏輯迴歸 4.4 邏輯迴歸實務應用：鳶尾花朵分類 4.4.1 資料集描述 4.4.2 載入資料集 4.4.3 將資料切分成訓練集與測試集 4.4.4 建立Logistic regression 模型 4.4.5 評估模型 第 5 章 鄰近規則分析 5.1 k- 近鄰演算法 5.1.1 KNN 演算法原理 5.1.2 KNN 於分類和迴歸任務 5.1.3 KNN 度量距離的方法 5.1.4 比較KNN 與K-means 差異 5.2 KNN 實務應用：葡萄酒品種分類 5.2.1 資料集描述 5.2.2 載入資料集 5.2.3 將資料切分成訓練集與測試集 5.2.4 建立KNN 分類模型 5.2.5 評估模型 第 6 章 支援向量機 6.1 支援向量機簡介 6.1.1 支援向量機基本原理 6.1.2 超平面和支援向量 6.1.3 線性支援向量機 6.1.4 非線性支援向量機 6.2 支援向量機於分類和迴歸任務 6.2.1 SVM 分類器 6.2.2 SVM 迴歸器 6.2.3 參數調整技巧 6.3 SVM（分類）實務應用：手寫數字辨識 6.3.1 資料集描述 6.3.2 載入資料集 6.3.3 特徵前處理：t-SNE 降維 6.3.4 前置作業 6.3.5 建立SVM 分類模型 6.4 SVR（迴歸）實務應用：薪資預測 6.4.1 資料集描述 6.4.2 載入資料集 6.4.3 將資料切分成訓練集與測試集 6.4.4 建立SVR 迴歸模型 6.4.5 評估模型 6.4.6 視覺化預測：迴歸分析 第 7 章 決策樹 7.1 決策樹簡介 7.1.1 決策樹的基本概念 7.1.2 分類樹的生長過程 7.1.3 分類樹的評估指標 7.1.4 迴歸樹的生長過程 7.1.5 迴歸樹的評估指標 7.2 CART 決策樹 7.2.1 CART 演算法流程 7.2.2 決策樹剪枝 7.3 決策樹的可解釋性 7.3.1 決策樹的特徵重要性 7.4 決策樹（分類）實務應用：玻璃類型檢測 7.4.1 資料集描述 7.4.2 載入資料集 7.4.3 將資料切分成訓練集與測試集 7.4.4 建立分類決策樹模型 7.4.5 評估模型 7.4.6 模型的可解釋性 7.4.7 繪製決策邊界 7.5 決策樹（迴歸）實務應用：房價預測 7.5.1 資料集描述 7.5.2 載入資料集 7.5.3 特徵工程 7.5.4 將資料切分成訓練集與測試集 7.5.5 建立迴歸決策樹 7.5.6 評估模型 7.5.7 模型的可解釋性 第 8 章 整體學習 8.1 何謂整體學習？ 8.1.1 特徵面 8.1.2 資料面 8.2 隨機森林 8.2.1 隨機森林簡介 8.2.2 隨機森林的生成方法 8.3 隨機森林（分類）實務應用：糖尿病罹患預測 8.3.1 資料集描述 8.3.2 載入資料集 8.3.3 將資料切分成訓練集與測試集 8.3.4 建立隨機森林分類模型 8.3.5 評估模型 8.3.6 模型的可解釋性 8.4 隨機森林（迴歸）實務應用：帕金森氏症評估預測 8.4.1 資料集描述 8.4.2 載入資料集 8.4.3 將資料切分成訓練集與測試集 8.4.4 建立隨機森林分類模型 8.4.5 評估模型 8.4.6 模型的可解釋性 8.5 極限梯度提升（XGBoost） 8.5.1 極限梯度提升簡介 8.5.2 XGBoost 模型結構 8.6 XGBoost（分類）實務應用：銀行客戶定存申辦預測 8.6.1 資料集描述 8.6.2 載入資料集 8.6.3 資料清理 8.6.4 將資料切分成訓練集與測試集 8.6.5 建立XGBoost 分類模型 8.6.6 評估模型 8.6.7 模型的可解釋性 8.7 XGBoost（迴歸）實務應用：汽車燃油效率預測 8.7.1 資料集描述 8.7.2 載入資料集 8.7.3 將資料切分成訓練集與測試集 8.7.4 建立XGBoost 迴歸模型 8.7.5 評估模型 8.7.6 模型的可解釋性 第 3 部分 進階概念與應用 第 9 章 交叉驗證和錯誤修正 9.1 不能忽視的過擬合與欠擬合 9.1.1 如何選擇最佳的模型？ 9.1.2 過擬合 vs 欠擬合 9.1.3 偏差與方差的差權衡 9.1.4 如何避免欠擬合？ 9.1.5 如何避免過擬合？ 9.2 交叉驗證簡介 9.2.1 何謂交叉驗證？ 9.2.2 K-Fold 交叉驗證 9.3 機器學習常犯錯的十件事 9.3.1 資料收集與處理不當 9.3.2 訓練集與測試集的類別分佈不一致 9.3.3 沒有資料視覺化的習慣 9.3.4 使用錯誤方法為特徵編碼 9.3.5 資料處理不當導致資料洩漏 9.3.6 僅使用測試集評估模型好壞 9.3.7 在沒有交叉驗證的情況下判斷模型性能 9.3.8 分類問題僅使用準確率作為衡量模型的指標 9.3.9 迴歸問題僅使用 R2 分數評估模型好壞 9.3.10 任何事情別急著想用 AI 解決 第 10 章 模型落地實踐與整合應用 10.1 模型整合與部署 10.1.1 機器學習開發流程回顧 10.1.2 DevOps 與MLOps 概念簡介 10.1.3 如何將模型整合到實際應用中 10.2 儲存訓練好的模型 10.2.1 ONNX 簡介 10.2.2 將scikit-learn 模型輸出為ONNX 格式 10.3 使用ONNX Runtime 進行模型推論 10.3.1 ONNX Runtime 簡介 10.3.2 載入 ONNX 模型並進行推論 10.4 使用FastAPI 建立模型推論服務 10.4.1 FastAPI 框架介紹 10.4.2 Python 後端開發框架比較 10.4.3 撰寫第一個 FastAPI 應用 10.4.4 整合ONNX 模型於API 中 10.4.5 使用Postman 測試API 10.4.6 自動生成 AIP 文件 10.5 網頁推論與前後端整合 10.5.1 環境設定與準備 10.5.2 建立簡單的前端界面 10.5.3 前後端 API 串接