C#也能完整AI：TensorFlow.NET實戰現場 (1版)

類似書籍推薦給您

內容簡介 ★在最熟悉的作業系統、IDE中，用Tensorflow開發深度學習專案★ ☆使用Tensorflow.NET在Visual Studio下完成AI開發☆ 　　坊間幾乎所有和AI、深度學習、機器學習有關的書籍或教材，均是以Python及相對的框架進行開發，並且建議架設在Linux上。雖然這個環境非常適合進行AI專案的開發，但對於已經熟悉Visual Studio下.NET架構的大部分Windows開發者來說，如果能使用Tensorflow的強大，再加上早就上手的.NET甚至是C#語言，學習曲線真的就只剩下深度學習，排除了Linux及Python的困難。 　　微軟在.NET平臺上引入機器學習，努力使機器學習技術跨越鴻溝，普及至大多數人手中。微軟的ML.NET旨在實現人工智慧的「民主化」，讓每個人都能使用並受益於人工智慧技術。在.NET生態中，人工智慧領域的SciSharp Stack團隊為TensorFlow提供了.NET Standard Binding，使得.NET開發人員可以使用C#在跨平臺的.NET Standard框架上開發、訓練和部署機器學習模型。他們還打造了TensorFlow.NET這個專屬於.NET開發人員的機器學習平臺，簡化了使用TensorFlow的過程。 　　本書即是針對這個族群的使用者，讓.NET眾多的使用者直接跨入AI的領域，在最親切的環境學習，一定會事半功倍。 　　本書為介紹TensorFlow.NET的詳細指南，共有23章。探討雲端運算、人工智慧、巨量資料和雲端原生應用對生活產生了深遠影響，之後說明機器學習.NET開發者的特點，在.NET生態中，SciSharp Stack的團隊，為TensorFlow提供了.NET Standard Binding，使.NET開發人員可以使用C#開發、訓練和部署機器學習模型。其中的產品就是TensorFlow.NET。 　　書中包括資料型態與張量詳解、Eager Mode詳解、自動求導原理與應用、線性回歸實操、MNIST手寫字元分類邏輯回歸、tf.data資料集建立與前置處理、深度神經網路實踐、AutoGraph機制詳解，以及.NET Keras簡明教學等。最後一部分是生產應用與案例，包含CPU和GPU環境下的TensorFlow.NET應用、工業生產環境應用案例、在C#下使用TensorFlow.NET訓練自己的資料集、視覺影像分類、視覺物件辨識、遷移學習應用、自然語言處理以及生成對抗網路等。其中還包含F#應用案例。 　　總體來說，這本書提供了一個全面的指南，旨在幫助.NET開發人員在機器學習領域探索和應用TensorFlow.NET，同時介紹了許多實用的範例和案例。 目錄 第一部分 TensorFlow.NET API入門 第1章 TensorFlow.NET 介紹 1.1 TensorFlow.NET 特性 1.2 TensorFlow.NET 開放原始碼函式庫結構 第2章 資料型態與張量詳解 2.1 資料型態 2.2 張量詳解 2.3 常數與變數 2.4 字串常見操作 2.5 基本張量操作 2.6 維度變換 2.7 合併分割 2.8 廣播機制 第3章 Eager Mode詳解 3.1 Eager Mode 說明 3.2 Eager Mode 比較 3.3 Eager Mode 數值運算 3.4 Eager Mode 張量降維運算 3.5 Eager Mode 矩陣運算 3.6 print 與tf.print 特性對比 第4章 自動求導原理與應用 4.1 機器學習中的求導 4.2 簡單函式求導 4.3 複雜函式求偏導 第5章 線性迴歸實作 5.1 線性迴歸問題 5.2 TensorFlow 下的線性迴歸 5.3 C# 和Python 的性能比較 第6章 MNIST手寫數字分類邏輯迴歸 6.1 經典的MNIST 手寫數字分類問題 6.2 邏輯迴歸程式實作 第7章 tf.data資料集建立與前置處理 7.1 tf.data 介紹 7.2 tf.data 資料集建立 7.3 tf.data 資料前置處理 7.4 tf.data 資料使用 第8章 深度神經網路實踐 8.1 深度神經網路介紹 8.2 TensorFlow.NET 程式實作1：DNN with Eager 8.3 TensorFlow.NET Keras 模型架設的3 種方式 8.4 TensorFlow.NET 程式實作2：DNN with Keras 第9章 AutoGraph機制詳解 9.1 AutoGraph 機制說明 9.2 AutoGraph 機制原理 9.3 AutoGraph 程式開發規範 第二部分 .NET Keras簡明教學 第10章 Keras簡介 10.1 Keras 特性 10.2 Keras 版本說明 第11章 模型與層 11.1 Keras 常用的模型與層 11.2 自訂層 11.3 自訂模型 11.4 模型常用API 概述 第12章 Keras常用API說明 12.1 回呼函式 12.2 資料集前置處理 12.3 最佳化器 12.4 損失函式 12.5 評估指標 第13章 Keras架設模型的3種方式 13.1 Sequential API 方式 13.2 Functional API 方式 13.3 自訂模型 第14章 Keras模型訓練 14.1 內建fit 訓練 14.2 自訂訓練 第三部分 生產應用與案例 第15章 CPU和GPU環境下的TensorFlow.NET應用 15.1 CPU 和GPU 環境架設及安裝 15.2 TensorFlow.NET 的影像利器SharpCV 第16章 工業生產環境應用案例 16.1 工業機器視覺領域應用 16.2 工業時間序列預測領域應用 第17章 在C#下使用TensorFlow.NET訓練自己的資料集 17.1 專案說明 17.2 模型介紹 17.3 資料集說明 17.4 程式說明 17.5 總結 第18章 視覺影像分類 18.1 卷積神經網路實現影像分類 18.2 卷積神經網路詳解 18.3 深入了解卷積神經網路 第19章 視覺物件辨識 19.1 視覺物件辨識原理簡述 19.2 YOLO v3 模型推理實踐 19.3 YOLO v3 模型訓練實踐 第20章 遷移學習應用 20.1 遷移學習原理簡述 20.2 Inception v3 網路 20.3 遷移學習程式實作 第21章 自然語言處理 21.1 自然語言處理簡述 21.2 詞向量 21.3 文字分類程式實作 第22章 生成對抗網路 22.1 生成對抗網路簡述 22.2 生成對抗網路實戰案例 第23章 F#應用案例 23.1 F# 簡明教學 23.2 F# 案例實踐 參考文獻

Python+TensorFlow 2.x人工智慧、機器學習、大數據｜超炫專案與完全實戰 (1版)

類似書籍推薦給您

Python+TensorFlow 2.x人工智慧、機器學習、大數據：超炫專案與完全實戰 ISBN13：9789865025984 出版社：碁峰資訊 作者：柯博文 裝訂／頁數：平裝／432頁 規格：23cm*17cm*2cm (高/寬/厚) 版次：2 出版日：2020/09/29 中國圖書分類：電腦程式語言 內容簡介 　　【嚴選經典】美國矽谷創業家／全球科技大廠與業界指定工研院顧問講師之Python TensorFlow人工智慧機器學習入門鉅作！ 　　本書為作者柯博文老師在各大企業教授Python、機器學習、人工智慧的課程內容匯集而成。歷經業界頂尖的工程師學員多次考驗，實戰多年後才匯集成冊。內容包含：Python、機器學習、人工智慧、TensorFlow、Keras、OpenCV等相關API的使用方法。並提供了203個範例程式，與169支影音教學影片。 　　◎以豐富的範例淺顯易懂的解說Python程式語言，並加入詳細的程式註解，使讀者瞭解每個程式的動作。 　　◎介紹業界統計分析相關的機器學習資料分析程式，並大量使用業界數據，進行分析和預測。 　　◎使用Tensorflow.Keras實踐人工智慧，以MLP類神經的原理和案例，讓讀者瞭解如何修改程式，才能達到百分百的準確率的目標，並用CNN的手寫辨識方法，結合OpenCV達到學習人工智慧，並且實際應用在生活中。 聯合推薦 　　嘉義基督教醫院 兒童醫學部兒童腎臟科主任、嘉基創新育成中心主任 周信旭醫師 　　Eco-City智慧生活科技區域整合中心執行長、國立交通大學土木工程系 曾仁杰教授 　　台北榮民總醫院 關艾琛醫師 目錄 1.Python程式語言 2.Python程式語言安裝 3.開發程式和工具 4.Python程式基礎 5.函數和物件導向OOP 6.視窗處理GUI Tkinter 7.資料定義Containers 8.圖表函式庫matplotlib.pylib 9.檔案處理和Open Data 開放資料 10.網路 11.資料庫MySQL 12.自然語言處理－文字、語意分析和繁簡體的轉換 13.人工智慧標記語言AIML 14.網頁伺服器 15.網路爬蟲BeautifulSoup4 16.Pandas數據分析和量化投資 17.Numpy 矩陣運算數學函數函式庫 18.執行檔包裝程式Pyinstaller 19.機器學習演算法－Regression迴歸分析 20.機器學習演算法－KNN最近鄰居法 21.機器學習演算法－K-means平均演算法 22.機器學習演算法－Decision Tree決策樹演算法 23.機器學習演算法－Random Forest隨機森林演算法 24.機器學習演算法－Bayes' theorem貝氏分類器 25.TensorFlow介紹和安裝 26.TensorFlow的類神經網路－MLP 快速上手 27.TensorFlow改善類神經模型MLP 結果 28.TensorFlow花的辨識－MLP 29.TensorFlow存取模型和訓練結果 30.TensorFlow實戰圖形和手寫辨識MLP 31.TensorFlow卷積神經網路CNN 32.OpenCV和TensorFlow卷積神經網路CNN即時辨識

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