電腦視覺機器學習實務｜建立端到端的影像機器學習

其他會員也一起購買

內容簡介 　　「本書全面介紹深度電腦視覺的最先進作法，在Keras中建構端到端生產系統，提供經過實戰檢驗的最佳實務解決方案。」 　　—François Chollet 　　深度學習研究者和Keras創造者 　　這本實用指南向您展示了如何使用機器學習模型從影像中淬取資訊。ML工程師和資料科學家將會學習經過驗證的ML技術來解決各種影像問題，包括分類、物件偵測、自編碼器、影像產生、計數和圖說產生。本書卓越的介紹了端到端深度學習：資料集建立、資料前置處理、模型設計、模型訓練、評估、部署和可解釋性。 　　Google工程師Valliappa Lakshmanan、Martin Görner和Ryan Gillard向您展示了如何開發準確且可解釋的電腦視覺ML模型，並使用強大的ML架構以靈活且可維護的方式將它們投入大規模生產。您將學習如何使用以TensorFlow和Keras編寫的模型進行設計、訓練、評估和預測。 　　您將學習如何： 　　‧為電腦視覺任務設計機器學習架構 　　‧選擇適合您的任務的模型(例如ResNet、SqueezeNet或EfficientNet) 　　‧建立端到端ML生產線來訓練、評估、部署和解釋您的模型 　　‧前置處理影像以進行資料擴增進行並支援可學習性 　　‧納入可解釋性和負責任的AI的最佳實務 　　‧將影像模型部署為Web服務或在邊緣設備上 　　‧監控和管理機器學習模型 目錄 前言 第1章 電腦視覺之機器學習 第2章 視覺機器學習模型 第3章 影像視覺 第4章 物件偵測與影像分割 第5章 建立視覺資料集 第6章 前置處理 第7章 訓練生產線 第8章 模型品質和持續評估 第9章 模型預測 第10章 生產 ML 的趨勢 第11章 進階視覺問題 第12章 影像和文本產生 後記 索引

Python 投資停看聽：運用 Open data 打造自動化燈號，學會金融分析精準投資法 (1版)

類似書籍推薦給您

【簡介】 本書內容改編自第12屆iT邦幫忙鐵人賽 Microsoft Azure 組佳作網站系列文章 Python X 金融分析 X Azure 本書從 Python 入門出發，學習撰寫 Python 程式，說明如何運用 Python 知名工具－pandas、TA-Lib和Matplotlib 進行交易數據的整理，實作各式金融分析。並可學習如何從政府的開放資料平臺取得各種股票、期貨數據，運用其提供的資源，讓我們可以更容易取得金融市場資訊，打造出屬於自己的交易策略和交易工具。 學會如何建立工具後，將可更進一步的學習 Azure，藉由微軟的 Azure 雲端平臺，讓自己的工具得以在雲端上運行，增加穩定性也減少管理成本。 從本書學習到這些金融知識後，不僅可以運用在個人投資上，也可以跨入資料分析、資料科學等等領域，甚至可跨入時下最夯的 FinTech 中。 書籍特色 Python 程式簡單上手 從入門到實作，快速瞭解 Python 並且學會使用開源工具－Visual Studio Code 進行程式開發。 自己的交易，自己分析 結合股票、期貨、選擇權等金融商品，加上 pandas、Matplotlib 模組，製作自己的分析工具以及交易訊號。 資料與程式雲端化 使用微軟的 Azure 讓自己的程式與資料雲端化，打造全自動收集資料的程式工具。 專業推薦 「金融科技的浪潮來襲」相信大家對這句話並不陌生。金融領域廣大遼闊， 常使人不知道要如何進入。本書可以作為金融科技的其中一個入口， 從科技的角度窺探金融與科技結合的可能性， 提供給沒有太多程式經驗的人一個跨入金融領域的入門工具。 沈育德 /美好證券 科技長 目標讀者 1.身為程式小白，想要用程式取得金融資料並達到自動化的讀者。 2.身為程式入門者，但不瞭解 Python 與金融知識的讀者。 3.學過 Python 但是沒有做過數據分析，或是想要瞭解金融分析的人。 4.想要使用 Azure 幫助減少管理伺服器的負擔，卻不知道如何開始的人。 【目錄】 |CHAPTER| 01 Python 與 VS Code 入門 1.1 本章學習到什麼？ 1.2 Python 1.2.1 簡介 1.2.2 安裝 1.3 Visual Studio Code 1.3.1 簡介 1.3.2 安裝 |CHAPTER|02 Python 基本操作 2.1 本章學習到什麼？ 2.2 Python 語法 2.2.1 使用 VS code 執行程式 2.2.2 變數命名 2.2.3 註解（Comments） 2.2.4 縮排 2.3 資料型態 2.3.1 什麼是資料型態？ 2.3.2 字串（string ） 2.3.3 數值型態 2.3.4 邏輯計算 2.3.5 資料集合型態 2.4 流程控制 2.4.1 if 陳述式 2.4.2 for 陳述式 2.4.3 while 陳述式 2.4.4 break & continue & else 2.5 例外處理 2.5.1 語法錯誤（syntax error ） 2.5.2 例外（Exception ） 2.6 函式（Function ） 2.6.1 架構 2.6.2 函式參數 2.6.3 回傳資料 2.7 模組（module） 2.7.1 架構 2.7.2 使用範例 2.7.3 引入模組的運用 2.8 類別（class ） 2.8.1 架構 2.8.2 使用範例 |CHAPTER|03 取得網路上金融資料 3.1 本章學習到什麼？ 3.2 Python 虛擬環境 3.2.1 virtual environment 3.2.2 pipenv 3.2.3 VS Code 3.3 Pandas 3.3.1 簡介 3.3.2 實作 Pandas 3.4 來源資料 3.4.1 Yahoo! Finance 3.4.2 Open data 3.5 MySQL 介紹與安裝 3.5.1 介紹 3.5.2 安裝 3.5.3 MySQL Workbench 3.5.4 建立資料庫 3.5.5 PyMySQL 與 SQL 語法 |CHAPTER|04 策略分析介紹及實作 4.1 本章學習到什麼？ 4.2 Jupyter Notebook 4.2.1 介紹 4.2.2 安裝 4.2.3 執行Jupyter 4.2.4 呈現股票資料圖表 4.3 分析策略 4.3.1 簡單移動平均線（SMA） 4.3.2 MACD 4.3.3 RSI 4.3.4 KD 線 4.3.5 K 線 |CHAPTER|05 製作交易訊號燈 5.1 本章學習到什麼？ 5.2 訊號燈 5.2.1 加權指數訊號燈 5.2.2 三大法人期選訊號燈 5.2.3 取得三大法人期貨歷史資料 5.2.4 三大法人臺指期留倉訊號燈 5.2.5 散戶指標訊號燈 5.2.6 股票 SMA 穿越訊號燈 5.3 模組化訊號燈 5.4 訊號燈解讀實例 |CHAPTER|06 把服務掛在雲端 6.1 本章學習到什麼？ 6.2 雲端服務簡介 6.3 Azure 6.3.1 Azure 簡介 6.3.2 Azure Database for MySQL 6.3.3 Serverless － Azure Functions 6.3.4 Azure 付費

金融風險管理的機器學習應用｜使用Python (1版)

類似書籍推薦給您

　金融風險管理在人工智慧的幫助下發展迅速。透過這本實用指南，開發人員、程式設計師、工程師、金融分析師、風險分析師及定量和演算法分析師，將可以機器學習和深度學習模型進行金融風險評估。建立基於人工智慧的財務建模實務技能後，您將學習要如何運用機器學習模型來取代傳統的金融風險模型。 　　作者Abdullah Karasan幫助您探索金融風險建模背後的理論，再深入研究使用Python運用機器學習模型以對金融風險進行建模的實際方法。 　　有了這本書，您將可以： 　　‧回顧經典的時間序列應用並將其與深度學習模型進行比較 　　‧使用支撐向量迴歸、神經網路和深度學習來探索波動率模型以衡量風險程度 　　‧使用機器學習技術來改善市場風險模型(VaR和ES)，並包括了流動性維度 　　‧使用分群和貝氏方法來進行信用風險分析 　　‧使用高斯混合模型和關聯結構模型來捕捉流動性風險的不同面向 　　‧使用機器學習模型來進行詐欺偵測 　　‧使用機器學習模型來預測股價崩盤並識別其決定因素 目錄 第一部分 風險管理基礎 第一章 風險管理基礎 第二章 時間序列建模簡介 第三章 應用深度學習於時間序列建模 第二部分 針對市場、信用、流動性和營運風險的機器學習 第四章 基於機器學習的波動率預測 第五章 市場風險建模 第六章 信用風險估計 第七章 流動性建模 第八章 營運風險建模 第三部分 其他金融風險來源之建模 第九章 公司治理風險度量：股價崩盤 第十章 合成資料產生與金融中的隱藏馬可夫模型