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

TQC+ Python3.x機器學習基礎與應用特訓教材

類似書籍推薦給您

TQC+ Python3.x機器學習基礎與應用特訓教材 ISBN13：9789865035921 出版社：全華圖書 作者：林英志-編 裝訂／頁數：平裝／368頁 規格：26cm*19cm*1.4cm (高/寬/厚) 版次：1 出版日：2021/03/24 中國圖書分類：電腦程式語言 內容簡介 本書遵循專業考科「TQC+ 人工智慧：機器學習 Python 3」技能規範架構撰寫，符合鑑定的命題趨勢。 本書範例題目內容為認證題型與命題方向之示範，正式測驗試題不以範例題目為限。 1.內容由淺入深，採循序漸進的方式建立您運用機器學習解決問題的基本概念，達到技術的傳承及表達，符合實務運用需求。 2.本書共有七個章節，包含「Python與機器學習」、「數據前處理」、「監督式學習：迴歸」、「監督式學習：分類」、「模型擬合、評估與超參數調校」、「非監督式學習：降維與分群」、「集成學習」、「機器學習應用」，帶領讀者快速從資料中自動分析獲得規律，並利用規律對未知資料進行預測與分類，是為實現人工智慧:機器學習實際表現之最佳讀本。 3.題庫練習 歡迎到雲端練功坊（https://cloud.csf.org.tw）來充電、練功。 4.配合中華民國電腦技能基金會（https://www.csf.org.tw）測驗，一舉取得專業證照，讓您求學、求職更具競爭力。 ■ 圖書試閱會員獨享--請完成右上角會員登錄 試閱檔案 ■ 本書特色 本書範例題目內容為認證題型與命題方向之示範，正式測驗試題不以範例題目為限。 1.內容由淺入深，採循序漸進的方式建立您運用機器學習解決問題的基本概念，達到技術的傳承及表達，符合實務運用需求。 2.本書共有七個章節，包含「Python與機器學習」、「數據前處理」、「監督式學習：迴歸」、「監督式學習：分類」、「模型擬合、評估與超參數調校」、「非監督式學習：降維與分群」、「集成學習」、「機器學習應用」，帶領讀者快速從資料中自動分析獲得規律，並利用規律對未知資料進行預測與分類，是為實現人工智慧:機器學習實際表現之最佳讀本。 3.題庫練習 歡迎到雲端練功坊（https://cloud.csf.org.tw）來充電、練功。 4.配合中華民國電腦技能基金會（https://www.csf.org.tw）測驗，一舉取得專業證照，讓您求學、求職更具競爭力。 目錄 Chapter 0 Python與機器學習 0-1 Python發展與編寫環境 0-2 機器學習 0-3 機器學習使用Python 0-4 基礎數學與Python實作 0-5 小結 綜合範例 Chapter 0習題 Chapter 1 數據前處理 1-1 數據類型 1-2 遺漏值 1-3 切割數據集 1-4 異常值 1-5 選取重要特徵 1-6 小結 綜合範例 Chapter 1習題 Chapter 2 監督式學習：迴歸 2-1 線性迴歸 2-2 評估迴歸模型的效能 2-3 正規化的迴歸 2-4 處理非線性關係 2-5 小結 綜合範例 Chapter 2習題 Chapter 3 監督式學習：分類 3-1 迴歸vs分類 3-2 評估分類器的效能 3-3 邏輯斯迴歸 3-4 支援向量機 3-5 樸素貝氏分類 3-6 決策樹 3-8 小結 綜合範例 Chapter 3習題 3-7 K最近鄰 Chapter 4 模型擬合、評估與超參數調校 4-1 工作流程管道化 4-2 過擬合與欠擬合 4-3 評估模型效能 4-4 調校超參數 4-5 處理類別不平衡 4-6 小結 綜合範例 Chapter 4習題 Chapter 5 非監督式學習：降維與分群 5-1 主成分分析降維 5-2 k-means分群 5-3 階層式分群 5-4 DBSCAN分群 5-5 鄰近傳播分群 5-6 小結 綜合範例 Chapter 5習題 Chapter 6 集成學習 6-1 以袋裝法集思廣益 6-2 以提升法互補有無 6-3 以堆疊法兼容並蓄 6-4 小結 綜合範例 Chapter 6習題 Chapter 7 機器學習應用 7-1 自然語言處理 7-2 序列資料處理 7-3 小結 綜合範例 Chapter 7習題 附錄 TQC+人工智慧：機器學習Python 3認證簡章 問題反應表

TQC+ Python3.x 機器學習基礎與應用特訓教材

類似書籍推薦給您

TQC+ Python3.x 機器學習基礎與應用特訓教材 系列名：認證檢定 ISBN13：9789865027599 出版社：碁峰資訊 作者：林英志-編著;財團法人中華民國電腦技能基金會-總策劃 裝訂／頁數：平裝／368頁 規格：26cm*19cm*1.9cm (高/寬/厚) 出版日：2021/03/22 中國圖書分類：電腦程式語言 內容簡介 　　本書遵循專業考科「TQC+ 人工智慧：機器學習Python 3」技能規範架構撰寫，符合鑑定的命題趨勢。 　　1.內容由淺入深，採循序漸進的方式建立您運用機器學習解決問題的基本概念，達到技術的傳承及表達，符合實務運用需求。 　　2.本書共有七個章節，包含「Python與機器學習」、「數據前處理」、「監督式學習：迴歸」、「監督式學習：分類」、「模型擬合、評估與超參數調校」、「非監督式學習：降維與分群」、「集成學習」、「機器學習應用」，帶領讀者快速從資料中自動分析獲得規律，並利用規律對未知資料進行預測與分類，是為實現人工智慧:機器學習實際表現之最佳讀本。 　　3.題庫練習 歡迎到雲端練功坊（cloud.csf.org.tw）來充電、練功。 　　4.配合中華民國電腦技能基金會（www.csf.org.tw）測驗，一舉取得專業證照，讓您求學、求職更具競爭力。 目錄 Chapter 0 Python與機器學習 0-1 Python發展與編寫環境 0-2 機器學習 0-3 機器學習使用Python 0-4 基礎數學與Python實作 0-5 小結 綜合範例 Chapter 1 數據前處理 1-1 數據類型 1-2 遺漏值 1-3 切割數據集 1-4 異常值 1-5 選取重要特徵 1-6 小結 綜合範例 Chapter 2 監督式學習：迴歸 2-1 線性迴歸 2-2 評估迴歸模型的效能 2-3 正規化的迴歸 2-4 處理非線性關係 2-5 小結 綜合範例 Chapter 3 監督式學習：分類 3-1 迴歸vs分類 3-2 評估分類器的效能 3-3 邏輯斯迴歸 3-4 支援向量機 3-5 簡單貝氏分類器 3-6 決策樹 3-7 k最近鄰 3-8 小結 綜合範例 Chapter 4 模型擬合、評估與超參數調校 4-1 工作流程管道化 4-2 過擬合與欠擬合 4-3 評估模型效能 4-4 調校超參數 4-5 處理類別不平衡 4-6 小結 綜合範例 Chapter 5 非監督式學習：降維與分群 5-1 主成份分析降維 5-2 k-means分群 5-3 階層式分群 5-4 DBSCAN分群 5-5 鄰近傳播分群 5-6 小結 綜合範例 Chapter 6 集成學習 6.1 以袋裝法集思廣益 6.2 以提升法互補有無 6.3 以堆疊法兼容並蓄 Chapter 7 機器學習應用 7.1 自然語言處理 7.2 序列資料處理

機器學習─Python程式實作 (1版)

類似書籍推薦給您

【簡介】 內容涵蓋機器學習三大主題：監督式學習、無監督式學習與強化式學習。 採用生動活潑的範例，以深入淺出、圖文並茂的方式，建立良好的理論基礎。 搭配 Python 程式實作，實現「做中學」的學習理念。 提供豐富的學習資源，包含：數學背景、練習題等，厚植機器學習技術研發能力。 【目錄】 Chapter 1 介　紹 Chapter 2 端到端機器學習 Chapter 3 迴　歸 Chapter 4 貝氏分類器 Chapter 5 k-最近鄰 Chapter 6 支援向量機 Chapter 7 決策樹 Chapter 8 隨機森林 Chapter 9 提升方法 Chapter 10 類神經網路 Chapter 11 k-Means分群 Chapter 12 DBSCAN Chapter 13 高斯混合模型 Chapter 14 主成分分析 Chapter 15 t-SNE Chapter 16 強化式學習 附錄 數學背景 習題參考解答 參考文獻

架構資料與機器學習平台｜雲端啟動分析與AI驅動的創新 (1版)

類似書籍推薦給您

【簡介】 　　＊全面掌握雲端資料與AI平台設計關鍵 　　＊實戰導向，靈活運用AWS、Azure、Google Cloud、Snowflake、Databricks 　　＊從基礎到進階，打造符合企業需求的現代化資料平台 　　＊強化資料治理，加速AI/ML創新，驅動決策智慧 　　無論你是資料架構師、工程師，或是希望運用AI強化決策的企業領導者，本書都將成為你打造未來資料與機器學習平台的最佳指南！ 　　在資料驅動的時代，企業該如何善用資料創造價值？ 　　本書由三位資深工程師聯手打造，為雲端架構師與資料專業人士提供了一套清晰完整的解決方案。從雲端資料平台的設計到AI與機器學習的整合，帶您走過資料現代化的每一步。無論是整合分散的資料、實現即時決策，還是利用AI解鎖創新潛力，本書都提供了實用的架構與工具，幫助你在雲端時代保持優勢。 　　「本書完整介紹，如何依據企業組織的策略方向，設計與建置現代雲端資料與ML平台的概念、模式與元件。真希望我能在多年前就能讀到這本書。」 —Robert Sahlin，Mathem資料平台主管 　　所有的雲端架構師都必須知道如何建置資料平台，以賦與企業能夠快速高效地做出資料驅動的決策，並在整個企業範圍內提供智能化服務。本書將展示如何使用AWS、Azure、Google Cloud以及Snowflake與Databricks這類多重雲端工具，設計、建置與現代化雲端原生資料與機器學習平台。 　　作者Marco Tranquillin、Valliappa Lakshmanan與Firat Tekiner使用真實世界企業架構來說明，內容涵蓋從雲端匯入到啟動整個資料生命週期。你將學到如何轉換、保全與現代化資料倉儲與資料湖這些熟悉的解決方案，也將能充份利用最新的AI/ML模式取得精準且快速的洞見，提升競爭優勢。 　　你將學會： 　　＊設計現代化且安全的雲端原生或混合資料分析與機器學習平台 　　＊透過將企業資料整合到治理良好、可擴充的與彈性的資料平台，加速資料導向的創新。 　　＊民主化存取企業資料，治理業務團隊提取洞見方式與建置AI/ML的能力。 　　＊讓您的企業利用串流管道即時決策 　　＊建置MLOps平台，移往預測性與指示性分析   【目錄】 第一章 資料平台現代化：簡介 第二章 資料創新的策略性作法 第三章 設計資料團隊 第四章 遷移框架 第五章 架構資料湖 第六章 企業資料倉儲的創新 第七章 湖倉融合 第八章 串流架構 第九章 混合與邊緣擴展資料平台 第十章 AI應用架構 第十一章 架構ML平台 第十二章 資料平台現代化：模型案例