少年Py的大冒險－成為Python AI深度學習達人的第一門課(修訂版) (2版)

類似書籍推薦給您

【簡介】 本書特色 1.以三大篇章，共41種冒險旅程，成為可以活用AI的深度學習達人。 2.書中以各種有趣的範例，如：用電腦創作歌詞、使用DeepFace打造人臉辨識、情緒辨識等引發學習興趣。 3.書末以「股票的自動交易系統」為專題，從資料整理與程式實作兩方面做整合性的應用。 4.輕鬆活潑的筆調，搭配作者親手繪製的可愛插圖，以圖解化方式加深學習印象。 5.整合式開發環境：Anaconda。 內容簡介 近年來人工智慧最主要的重心在深度學習，也是因深度學習有許多突破性的發展，而讓人工智慧有了許多以前意想不到的應用。本書承襲前作《少年 Py的大冒險：成為Python數據分析達人的第一門課》的風格，藉由輕鬆活潑的方式，從基本的原理開始，讀者可一步步跟著書中每個冒險，成為可以活用AI的深度學習達人！ 本書規劃三個篇章，共41種冒險。從AI的原理、怎麼思考所需的AI模型開始說明，接著介紹神經網路三大天王（DNN、CNN、RNN），並大量運用Gradio這個有趣的套件，把書中的AI模型做成網路應用程式。 本書也介紹了如何用Hugging Face的transformers套件打造有趣的自然語言處理應用，以及使用DeepFace打造人臉辨識、情緒辨識等等。對於生成對抗網路（GAN）及強化學習也有相當詳細地說明。 【目錄】 第1篇【啟程】打造裝備，踏上深度學習冒險旅程 【工具準備】 冒險 01 Colab 免安裝的深度學習環境 冒險 02 瞭解Colab 的檔案系統 冒險 03 用Anaconda 在自己電腦打造深度學習環境 冒險 04 互動模式的複習 冒險 05 用 Gradio 神速打造 Web App！ 【人工智慧概念】 冒險 06 人工智慧就是問個好問題，化成函數的形式學個函數！ 冒險 07 打造函數學習機三部曲 冒險 08 運用深度學習的種種想法 第2篇【冒險】深度學習的三大天王 【全連結神經網路】 冒險 09 神經網路的概念和全連結神經網路 冒險 10 神經網路的學習方式 冒險 11 實作手寫辨識：MNIST 數據集 冒險 12 打造全連結神經網路函數學習機 冒險 13 讀回我們的 model, 用 gradio 瞬間打造網路 app！ 【圖形辨識天王 CNN】 冒險 14 圖形辨識天王 CNN 冒險 15 用 CNN 做圖形辨識 - 資料處理篇 冒險 16 三部曲打造圖形辨識 CNN 冒險 17 Cooper 真的是馬爾濟斯嗎？使用名門 CNN 幫助辨識！ 冒險 18 遷移式學習做八哥辨識 【有記憶的神經網路 RNN】 冒險 19 神經網路三大天王之有記憶的 RNN 冒險 20 IMDb 評論情意分析問題介紹 冒險 21 打造 RNN 情意分析函數學習機 冒險 22 打造真的可以使用的情意分析 冒險 23 RNN 技巧討論 冒險 24 《紅樓夢》生成器 冒險 25 打造自己的 Tokenizer（文字型資料的處理） 第3篇【回歸】發揮創意，看到 AI 的無限可能 【Attention 和 transformer】 冒險 26 RNN 看成 Encoder-Decoder Structure 冒險 27 Attention 注意力模式的概念 冒險 28 有機會成為第四大天王的變形金剛 transformer 冒險 29 芝麻街自然語言新時代 冒險 30 用 transformers 快速打造文字生成器 冒險 31 讓我們做歌詞產生器網路 App！ 【生成模式和 GAN】 冒險 32 神經網路的另一個打造方式 冒險 33 Functional API 介紹 冒險 34 簡單找表示向量的方法 Autoencoder 冒險 35 創作型的神經網路 GAN 冒險 36 有趣的 GAN 應用 冒險 37 FaceNet 和特徵表現向量的尋找 冒險 38 用 DeepFace 來做人臉辨識！ 【強化學習和 DQN】 冒險 39 強化學習的介紹 冒險 40 自動交易系統：資料整理篇 冒險 41 自動交易系統：程式實作篇

少年Py的大冒險－成為Python AI深度學習達人的第一門課(附範例光碟) (1版)

類似書籍推薦給您

少年Py的大冒險－成為Python AI深度學習達人的第一門課(附範例光碟) ISBN13：9786263282964 出版社：全華圖書 作者：蔡炎龍;林澤佑;黃瑜萍;焉 然 裝訂／頁數：平裝／400頁 附件：CD 規格：26cm*19cm*2cm (高/寬/厚) 重量：772克 出版日：2022/09/23 中國圖書分類：電腦程式語言 內容簡介 近年來人工智慧最主要的重心在深度學習，也是因深度學習有許多突破性的發展，而讓人工智慧有了許多以前意想不到的應用。本書承襲前作《少年 Py的大冒險：成為Python數據分析達人的第一門課》的風格，藉由輕鬆活潑的方式，從基本的原理開始，讀者可一步步跟著書中每個冒險，成為可以活用AI的深度學習達人！ 本書規劃三個篇章，共41種冒險。從AI的原理、怎麼思考所需的AI模型開始說明，接著介紹神經網路三大天王（DNN、CNN、RNN），並大量運用Gradio這個有趣的套件，把書中的AI模型做成網路應用程式。 本書也介紹了如何用Hugging Face的transformers套件打造有趣的自然語言處理應用，以及使用DeepFace打造人臉辨識、情緒辨識等等。對於生成對抗網路（GAN）及強化學習也有相當詳細地說明。 本書特色 1.以三大篇章，共41種冒險旅程，成為可以活用AI的深度學習達人。 2.書中以各種有趣的範例，如：用電腦創作歌詞、使用DeepFace打造人臉辨識、情緒辨識等引發學習興趣。 3.書末以「股票的自動交易系統」為專題，從資料整理與程式實作兩方面做整合性的應用。 4.輕鬆活潑的筆調，搭配可愛的插圖，以圖解化方式加深學習印象。 目錄 第1篇【啟程】打造裝備，踏上深度學習冒險旅程 【工具準備】 冒險 01 Colab 免安裝的深度學習環境 冒險 02 瞭解Colab 的檔案系統 冒險 03 用Anaconda 在自己電腦打造深度學習環境 冒險 04 互動模式的復習 冒險 05 用 Gradio 神速打造 Web App！ 【人工智慧概念】 冒險 06 人工智慧就是問個好問題，化成函數的形式學個函數！ 冒險 07 打造函數學習機三部曲 冒險 08 運用深度學習的種種想法 第2篇【冒險】深度學習的三大天王 【全連結神經網路】 冒險 09 神經網路的概念和全連結神經網路 冒險 10 神經網路的學習方式 冒險 11 實作手寫辨識：MNIST 數據集 冒險 12 打造全連結神經網路函數學習機 冒險 13 讀回我們的 model, 用 gradio 瞬間打造網路 app！ 【圖形辨識天王 CNN】 冒險 14 圖形辨識天王 CNN 冒險 15 用 CNN 做圖形辨識 - 資料處理篇 冒險 16 三部曲打造圖形辨識 CNN 冒險 17 Cooper 真的是馬爾濟斯嗎？使用名門 CNN 幫助辨識！ 冒險 18 遷移式學習做八哥辨識 【有記憶的神經網路 RNN】 冒險 19 神經網路三大天王之有記憶的 RNN 冒險 20 IMDb 評論情意分析問題介紹 冒險 21 打造 RNN 情意分析函數學習機 冒險 22 打造真的可以使用的情意分析 冒險 23 RNN 技巧討論 冒險 24 《紅樓夢》生成器 冒險 25 打造自己的 Tokenizer（文字型資料的處理） 第3篇【回歸】發揮創意，看到 AI 的無限可能 【Attention 和 transformer】 冒險 26 RNN 看成 Encoder-Decoder Structure 冒險 27 Attention 注意力模式的概念 冒險 28 有機會成為第四大天王的變形金剛 transformer 冒險 29 芝麻街自然語言新時代 冒險 30 用 transformers 快速打造文字生成器 冒險 31 讓我們做歌詞產生器網路 App！ 【生成模式和 GAN】 冒險 32 神經網路的另一個打造方式 冒險 33 Functional API 介紹 冒險 34 簡單找表示向量的方法 Autoencoder 冒險 35 創作型的神經網路 GAN 冒險 36 有趣的 GAN 應用 冒險 37 FaceNet 和特徵表現向量的尋找 冒險 38 用 DeepFace 來做人臉辨識！   【強化學習和 DQN】 冒險 39 強化學習的介紹 冒險 40 自動交易系統：資料整理篇 冒險 41 自動交易系統：程式實作篇

Deep Learning 3:用 Python 進行深度學習框架的開發實作 (1版)

類似書籍推薦給您

Deep Learning 3：用Python進行深度學習框架的開發實作 系列名：電腦通訊 ISBN13：9789865027346 出版社：美商歐萊禮 作者：齊藤康毅 譯者：吳嘉芳 裝訂／頁數：平裝／488頁 規格：23cm*18.5cm*2.1cm (高/寬/厚) 出版日：2021/04/06 中國圖書分類：特殊電腦方法 內容簡介 　　從無到有的實作，在動手做的過程中強化對於深度學習的理解 　　或許您也曾經用過Tensorflow、PyTorch這類深度學習的框架（Framework），相信您也曾經對裡頭那些神奇的技術與有趣的結構嘆服不已。這本書就是為了解開這些疑問，正確瞭解這些技術而撰寫的。希望你可以從中體會這種技術性的「樂趣」。基於這個目的，本書將秉持著「從零開始製作」的方針，從無到有，一邊操作，一邊思考，透過實作加深理解，獲得審視現代深度學習框架的「新視野」。再藉由這個「新視野」，更廣泛、深入地理解深度學習。 　　高人氣、高評價的「Deep Learning基礎理論實作」系列第三部 　　《Deep Learning：用Python進行深度學習的基礎理論實作》、《Deep Learning 2|用Python進行自然語言處理的基礎理論實作》是從零開始進行深度學習，藉此瞭解相關結構。當時以單純性為優先，而「手動」設定了運算的「連結」。真正的框架是將這個部分自動化，Define-by-Run就是其中的一種手法，本書將利用從零開始製作DeZero的方式來學習這個機制。請別擔心，閱讀這本書不需要具備前作《Deep Learning：用Python進行深度學習的基礎理論實作》系列的知識。 目錄 第一階段 自動計算微分 STEP 1 把變數當成箱子 STEP 2 產生變數的函數 STEP 3 連結函數 STEP 4 數值微分 STEP 5 誤差反向傳播法的理論 STEP 6 手動執行誤差反向傳播法 STEP 7 誤差反向傳播法的自動化 STEP 8 從遞迴到迴圈 STEP 9 讓函數更方便 STEP 10 測試 第二階段 用自然的程式碼呈現 STEP 11 可變長度引數（正向傳播篇） STEP 12 可變長度引數（改善篇） STEP 13 可變長度引數（反向傳播篇） STEP 14 重複使用相同變數 STEP 15 複雜的計算圖（理論篇） STEP 16 複雜的計算圖（執行篇） STEP 17 記憶體管理與循環參照 STEP 18 減少記憶體用量的模式 STEP 19 輕鬆使用變數 STEP 20 運算子多載（1） STEP 21 運算子多載（2） STEP 22 運算子多載（3） STEP 23 整合成套件 STEP 24 複雜函數的微分 第三階段 計算高階微分 STEP 25 計算圖視覺化（1） STEP 26 計算圖視覺化（2） STEP 27 泰勒展開式的微分 STEP 28 函數最佳化 STEP 29 使用牛頓法最佳化（手動計算） STEP 30 高階微分（準備篇） STEP 31 高階微分（理論篇） STEP 32 高階微分（執行篇） STEP 33 使用牛頓法最佳化（自動計算） STEP 34 sin 函數的高階微分 STEP 35 高階微分的計算圖 STEP 36 高階微分以外的用途 第四階段 建立類神經網路 STEP 37 處理張量 STEP 38 改變形狀的函數 STEP 39 加總函數 STEP 40 進行廣播的函數 STEP 41 矩陣乘積 STEP 42 線性迴歸 STEP 43 類神經網路 STEP 44 整合參數層 STEP 45 整合各層的整合層 STEP 46 用 Optimizer 更新參數 STEP 47 Softmax 函數與交叉熵誤差 STEP 48 多值分類 STEP 49 Dataset 類別與事前處理 STEP 50 取出小批次的 DataLoader STEP 51 MNIST 的學習 第五階段 使用DeZero 進行挑戰 STEP 52 支援 GPU STEP 53 儲存與載入模型 STEP 54 Dropout 與測試模式 STEP 55 CNN 的機制（1） STEP 56 CNN 的機制（2） STEP 57 conv2d 函數與 pooling 函數 STEP 58 具代表性的 CNN（VGG16） STEP 59 用 RNN 處理時間序列資料 STEP 60 LSTM 與 DataLoader APP A 原地演算法（STEP 14 的補充說明） APP B 執行get_item 函數（STEP 47 的補充說明） APP C 在 Google Colaboratory 執行