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
立即查看
Python 機器學習超進化：AI影像辨識跨界應用實戰 (附100分鐘影像處理入門影音教學/範例程式) (1版)
類似書籍推薦給您
Python機器學習超進化：AI影像辨識跨界應用實戰（附100分鐘影像處理入門影音教學）
ISBN13：9789865026196
出版社：碁峰資訊
作者：鄧文淵-總監製;文淵閣工作室-編
裝訂／頁數：平裝／248頁
規格：23cm*17cm*1.5cm (高/寬/厚)
版次：1
出版日：2020/09/22
中國圖書分類：電腦程式語言
內容簡介
轟動程式圈3大AI影像辨識利器
從收集資料、圖片擷取、建立標籤、訓練模型
到智慧影像辨識的全面進化實戰！
人工智慧(Artificial Intelligence)應用基本上可分五大層面：時間序列、圖像處理、音訊處理、自然語言處理以及動態影像處理，其中與「智慧影像」相關者就佔了兩大領域。智慧影像是透過電腦視覺技術，從中學習人類的視覺辨識能力，並自動判讀影像中的關鍵資訊，目前被大量使用在圖像辨識、人臉識別、物體動作捕捉、光學文字識別...等，是人工智慧最為廣泛的應用之一。
在這個領域的研究中有許多功能強大的工具，如OpenCV、Yolo與dlib，但許多使用者卻不知如何收集資料、建立標籤，更不知道如何訓練模型，進而達成智慧影像辨識的結果！本書將引領讀者運用自己的資料，透過本機與雲端的資源，以目前主流技術進行自有模型的訓練來完成實際可用的智慧影像應用。
挑戰智慧影像最佳學習地圖，
結合本機與雲端應用，
真正深入AI影像辨識核心！
■掌握智慧影像的技術特性與主流的應用模組，涵蓋OpenCV、Pillow、Yolo與dlib。
■根據不同模組特性介紹其資料來源的收集方式，除了一般土法煉鋼的徒手拍攝影像，也能利用Kaggle資料庫進行下載，或是利用動態影片進行大量圖片的擷取，再運用自動批次的方式進行圖片整理與特徵標記。
■當本機在訓練模型時發生記憶體不足、效能不夠等問題時，使用Google專為機器學習而生的Colab雲端服務來訓練自己的模型。
■集結最具代表性的實務應用主題，包括人臉辨識、口罩人臉辨識、車牌辨識、車流統計…等專題，在真實的情況中體驗智慧影像的應用，並擁有開發能力。
■針對OpenCV與Pillow影像處理特別提供入門影音輔助教學，加速學習效率。
書附超值學習資源：範例程式檔／100分鐘OpenCV與Pillow影像處理入門影音教學
目錄
CH01 認識智慧影像辨識
1.1 人工智慧
1.1.1 人工智慧是什麼？
1.1.2 人工智慧基本應用
1.1.3 人工智慧實際應用
1.2 智慧影像辨識應用
1.2.1 影像處理
1.2.2 智慧影像辨識
1.2.3 突破智慧影像辨識學習的困境
CH02 OpenCV和Pillow影像處理
2.1 OpenCV
2.1.1 以OpenCV讀取及顯示圖形
2.1.2 儲存影像檔
2.1.3 OpenCV基本繪圖
2.1.4 使用OpenCV進行臉部偵測
2.1.5 擷取臉部圖形及存檔
2.2 圖片特效處理
2.2.1 認識圖片的維度
2.2.2 圖片灰階和黑白處理
2.3 建立新畫布與圖形合併
2.3.1 建立新畫布
2.3.2 圖形合併
2.4 擷取攝影機影像
2.5 Pillow
2.5.1 Pillow圖片基本操作
2.5.2 Pillow圖片編輯
2.5.3 圖片灰階處理
2.5.4 Pillow繪製圖形
2.6 OpenCV與Pillow圖像格式互轉
2.6.1 OpenCV轉Pillow
2.6.2 Pillow轉OpenCV
2.6.3 OpenCV和Pillow黑白圖片處理比較
CH03 OpenCV模型訓練
3.1 專題方向
3.2 準備訓練Haar特徵分類器資料
3.2.1 認識Haar特徵分類器
3.2.2 處理正樣本及實測圖片
3.2.3 處理負樣本圖片
3.3 建立車牌號碼Haar特徵分類器模型
3.3.1 處理Haar特徵分類器模型的檔案結構
3.3.2 加入正樣本
3.3.3 加入負樣本
3.3.4 正樣本標記資料
3.3.5 顯示及修改框選區域
3.3.6 調整框選區域寬高比
3.3.7 增加車牌數量
3.3.8 訓練Haar特徵分類器
3.4 使用Haar特徵分類器模型
3.4.1 Haar特徵分類器模型語法
3.4.2 車牌號碼偵測
CH04 OpenCV影像辨識-車牌
4.1 專題方向
4.2 車牌號碼擷取
4.2.1 原始圖片轉換尺寸
4.2.2 擷取車牌號碼圖形
4.2.3 以輪廓偵測分割車牌號碼文字
4.2.4 組合擷取車牌號碼文字圖形
4.2.5 去除畸零地
4.3 車牌辨識
4.3.1 文字辨識
4.3.2 單一車牌辨識
4.3.3 整批車牌辨識
CH05 火箭級智慧影像辨識-Yolo
5.1 Yolo是什麼？
5.1.1 Yolo發展歷程
5.1.2 Yolo偵測物體原理概述
5.1.3 Yolo偵測物體種類
5.2 建立Yolo系統
5.2.1 安裝軟體與模組
5.2.2 編譯Yolo
5.2.3 在命令提示字元視窗執行Yolo
5.2.4 以Python程式執行Yolov3
5.3 訓練自訂Yolo偵測模型
5.3.1 標記工具
5.3.2 下載Kaggle口罩資料
5.3.3 轉換PascalVOC為Yolo格式
5.3.4 建立訓練組態資料結構
5.3.5 訓練模型
CH06 使用Colab訓練Yolo模型
6.1 Colab：功能強大的虛擬機器
6.1.1 Colab介紹
6.1.2 Colab建立記事本
6.1.3 Jupyter Notebook基本操作
6.1.4 Colab連接Google Drive雲端硬碟
6.1.5 執行Linux命令
6.2 Colab中訓練Yolo模型
6.2.1 整理口罩資料
6.2.2 進行Yolov3模型訓練
6.2.3 訓練Yolo模型注意事項
6.2.4 訓練其他Yolo模型
6.3 使用自行訓練的Yolo模型
6.3.1 在Colab中使用自行訓練Yolo模型
6.3.2 在Python中使用自行訓練Yolo模型
CH07 最強智慧影像辨識-dlib
7.1 dlib人臉偵測
7.1.1 安裝dlib
7.1.2 簡單人臉偵測
7.1.3 5點特徵人臉偵測
7.1.4 CNN訓練模型人臉偵測
7.1.5 68點特徵人臉偵測
7.1.6 攝影機圖像中畫出點輪廓
7.2 dlib人臉辨識
7.2.1 人臉辨識
7.2.2 dlib人臉登入系統
7.3 dlib其他應用
7.3.1 偵測嘴巴是否張開
7.3.2 偵測打瞌睡
7.3.3 物體追蹤
CH08 dlib自行訓練模型
8.1 dlib訓練自己模型
8.1.1 擷取影片畫面蒐集資料
8.1.2 標記圖片
8.1.3 訓練模型
8.1.4 使用模型
8.1.5 自行訓
立即查看
新手村逃脫！初心者的Python機器學習攻略
類似書籍推薦給您
立即查看
Python機器學習錦囊妙計 (1版)
類似書籍推薦給您
書名：PYTHON機器學習錦囊妙計
出版社：歐萊禮
出版年月：201909
條碼：9789865022709
內容簡介
涵蓋預處理到深度學習的實務處方
“Chris巧妙地運用技術處方式的書籍特質，不僅讓經驗豐富的專業人士有可以參考的材料，對初學者而言，本書也是易於瞭解學習的濃縮入門課程。無論是要作為應徵資料科學家時，準備面試的複習材料，亦或是書案前的簡潔、完整參考資料，本書都是極具參考價值的資源。” -Justin Bozonier／Grubhub主任資料科學家
這本實務指南提供近200個完整的處方，協助您克服日常工作上可能會遭遇到的機器學習障礙。若您已能自如運用Python與包括pandas與scikit-learn在內的程式庫，就可處理如資料載入、處理文字或數值資料、模型選擇、降維與其他的許多問題。
每一個處方中都有您可以複製進玩具資料集中的程式碼，供您實際操作使用。以之為起點，您可以在其中加入、組合或調整這些程式碼，以架構出應用程式。處方中也會有討論的部份，說明解方的運作情形並提供相關的背景知識。這本錦囊妙計將透過提供必要零件的方式，讓您在理論與概念上，建構出有效的機器學習應用。
您可以在本書中找到處理下列主題的處方：
。向量、矩陣與陣列
。處理數值與分類資料、文字、影像與日期時間
。透過特徵提取或特徵選取方法進行降維
。模型評估與選擇
。線性與邏輯迴歸、樹與林以及k最近鄰
。支持向量機(SVM)、樸素貝氏分類、分群與類神經網路
。儲存與載入完訓模型
作者介紹
作者簡介
Chris Albon
Chris Albon 是肯亞新創公司BRCK的首席資料科學家。他創辦了New Knowledge這家AI公司，以及Partially Derivative播客。Chris在統計學習、人工智慧與軟體工程領域中已累積了超過十年的工作經驗。
目錄
第一章 向量、矩陣與陣列
第二章 載入數據
第三章 資料整理
第四章 處理數值資料
第五章 處理類型資料
第六章 處理文本
第七章 處理日期時間
第八章 處理影像
第九章 運用特徵提取降維
第十章 運用特徵選取降維
第十一章 模型評估
第十二章 模型選取
第十三章 線性迴歸
第十四章 樹與林
第十五章 K 最近鄰
第十六章 邏輯迴歸
第十七章 支持向量機
第十八章 樸素貝氏分類
第十九章 分群
第二十章 類神經網路
第二十一章 儲存與載入完訓模型
立即查看
Python+OpenCV：機器學習+深度學習40大電腦視覺案例入門到實戰 (1版)
類似書籍推薦給您
原價:
1200
售價:
1080
現省:
120元
立即查看
華通書坊
