機器學習與AI人工智慧於稽核應用實例演練(附試用教育版軟體+教學演練資料)

類似書籍推薦給您

ChatGPT引發了對AI人工智慧的熱烈討論。未來十年，AI將驅動產業發展，幾乎所有現代產業都將與AI緊密相關。機器學習使得事前審計成為可能，但撰寫或調整人工智慧演算法對大多數人而言仍很困難，因此需要簡單易用的工具來輔助。 本教材以實務案例演練為主，深入淺出，讓學員了解如何在稽核領域有效運用機器學習等AI技術。經由國際電腦稽核教育協會(ICAEA)認證，由專業稽核實務顧問群精心編寫，提供完整實例演練資料，並可申請取得AI稽核軟體JCAATs教育版。學員可透過簡單的指令，應用內建的機器學習演算法(如決策樹、K近鄰算法、邏輯斯回歸、隨機森林、支持向量機)，輕鬆進行大數據資料分析，實現風險預測性稽核。 學員將學會評估機器學習訓練模型的有效性，並掌握多元評估指標的正確使用方法。同時，學習如何處理資料缺失或不對稱的情況，以實現稽核目標。歡迎會計師、內部稽核、各階管理者共同參與學習，成為AI人工智慧新稽核的專家，提前預警並避免各項風險。 ◎代理經銷 白象文化

建構機器學習管道｜運用TensorFlow實現模型生命週期自動化 Building Machine Learning Pipelines (1版)

類似書籍推薦給您

內容簡介 　　「本書是一本出色的參考資料，全面介紹ML產品系統，特別關注TFX。它包含最準確的資訊，並提供清晰、簡潔的解釋案例。」 　　—Robert Crowe 　　TensorFlow Developer Advocate, Google 　　公司在機器學習專案上耗費巨資，但如果不能有效地部署模型，無疑是在浪費金錢。在本書中，Hannes Hapke和Catherine Nelson將帶領您瞭解使用TensorFlow生態系統自動化機器學習管道的步驟。您將學習到將部署時間從幾天縮短到幾分鐘的技術和工具，進而更專注新模型的開發，而不是維護舊有的系統。 　　數據科學家、機器學習工程師和DevOps工程師將發現如何超越模型開發，成功地將他們的數據科學項目產品化，而管理人員將更瞭解他們在加速這些專案項目所扮演的角色。 　　‧瞭解構建機器學習管道的步驟 　　‧使用TensorFlow Extended中的組件建構您的管道 　　‧使用Apache Beam、Apache Airflow和Kubeflow管道來協作您的機器學習管道 　　‧使用TensorFlow數據驗證和TensorFlow轉換來處理數據 　　‧使用TensorFlow模型驗證對模型進行詳細分析 　　‧檢驗模型表現的公平性和偏誤性 　　‧使用TensorFlow Serving或TensorFlow Lite為移動設備部署模型 　　‧學習隱私保護(privacy-preserving)機器學習技術 目錄 第一章 導論 第二章 TensorFlow Extended 簡介 第三章 數據擷取 第四章 數據驗證 第五章 資料預處理 第六章 模型訓練 第七章 模型分析與驗證 第八章 TensorFlow Serving 的模型部署 第九章 TensorFlow Serving 的高級模型部署 第十章 進階 TensorFlow Extended 第十一章 管道第一部分：Apache Beam 與 Apache Airflow 第十二章 管道第二部分：Kubeflow 管道 第十三章 反饋循環 第十四章 機器學習的數據隱私 第十五章 管道的未來與下一步 附錄A 機器學習基礎架構介紹 附錄B 在 Google Cloud 上設置 Kubernetes 集群 附錄C 操作 Kuberflow 管道的技巧

AutoML 自動化機器學習：用 AutoKeras 超輕鬆打造高效能 AI 模型 (1版)

類似書籍推薦給您

內容簡介 　　有了三個臭皮匠，何必每次堅持找個諸葛亮？ 　　任何人都能運用深度學習（DL）嗎？AutoML（自動化機器學習）已經遍地開花，各大企業諸如 Google、Microsoft、Amazon、IBM、SAS 等都推出了自己的 AutoML 服務，讓使用者不必具備專業領域知識，也能快速打造出自己的 AI 模型。換言之，AutoML 徹底降低了 「AI 落地」的門檻。 　　AutoML不能取代資料科學家，卻能大大省下你試驗機器學習模型的時間與痛苦。當你的朋友還在興致沖沖算數學時，你說不定早就端出了可投入實用的高效能模型。 　　而什麼是 AutoKeras？這是一套完全開源的 Python AutoML 套件，以 Tensorflow 2 為基礎、運用創新的『高效神經網路架構搜尋』（ENAS）來實現自動化建模。AutoKeras 對於影像、文字、時間序列或一般結構化資料的預測都提供了內建類別，甚至會加上資料預處理功能，使你只需用短短幾行程式碼便能打造出成效優異的 DL 模型，還不必接觸高深的數學。 　　就連經驗豐富的專家也能受惠：利用 AutoKeras 快速產生候選模型，好做為進一步改良的參考，並將更多寶貴的時間投注在資料清洗與特徵工程上。 　　從此向困難、令人困惑的建模過程說拜拜，跨入深度學習的門檻從未如此之低；有了 AutoKeras，任何人都能駕馭 AI 的威力來解決真實世界的問題。 目錄 AutoKeras 基礎篇 Chapter 1 AutoML 入門 1-1 標準 ML 工作流程的深度剖析 1-2 什麼是 AutoML？ 1-3 AutoML 的種類 1-4 AutoML 工具 1-5 總結 Chapter 2 開始使用 AutoKeras ──第一個自動化 DL 範例 2-1 什麼是深度學習？ 2-2 什麼是神經網路？它如何學習？ 2-3 深度學習模型如何學習？ 2-4 為何選擇 AutoKeras？ 2-5 安裝AutoKeras 2-6 Hello MNIST：執行我們的第一個 AutoKeras 實驗──建立圖像分類器 2-7 建置圖像迴歸器 2-8 總結 Chapter 3 了解 AutoKeras 對於自動化 DL 流程的資料預處理 3-1 了解張量 (tensors) 3-2 準備可以傳入深度學習模型的資料 3-3 切割資料集以用於訓練及評估. 3-4 總結 AutoKeras 實踐篇 Chapter 4 運用 AutoKeras 進行圖像的分類與迴歸 4-1 理解卷積神經網路 (CNN) 4-2 CNN 與傳統神經網路的差異 4-3 建立 CIFAR-10 圖像分類器 4-4 自訂模型架構 4-5 建立可推斷人物年齡的圖像迴歸模型 4-6 總結 Chapter 5 運用 AutoKeras 進行文本、情感、主題的分類與迴歸 5-1 文本資料處理 5-2 不同網路層用於文本資料處理的差異 5-3 打造垃圾信件偵測器 5-4 用電影評論來預測評分 5-5 理解情感分析 (sentiment analysis) 5-6 理解主題分類 5-7 根據網路文章判定討論群組類型 5-8 總結 Chapter 6 運用 AutoKeras 進行結構化資料的分類與迴歸 6-1 理解結構化資料 6-2 打造結構化分類器預測船難生還者 6-3 打造結構化分類器預測信用卡詐欺 6-4 處理分類不平均的資料集 6-5 打造結構化迴歸器預測房價 6-6 打造結構化迴歸器預測共享單車租用人次 6-7 總結 Chapter 7 運用 AutoKeras 進行時間序列預測 7-1 理解 RNN 的改良版 7-2 單變量時間序列：氣溫預測 7-3 多變量時間序列資料預測 7-4 總結 AutoKeras 進階篇 Chapter 8 自訂 AutoModel 複合模型並處理多重任務 8-1 理解多模態 (multi-model) 資料與多任務 (multi-task) 模型 8-2 打造使用多模態資料的多任務模型 8-3 打造能同時預測電影評分與情感的預測器 8-4 打造能用兩種 CNN 網路模型預測分類的預測器 8-5 總結 Chapter 9 AutoKeras 模型的匯出與訓練過程視覺化 9-1 匯出、儲存並重新載入你的模型 9-2 使用 TensorBoard將模型訓練過程視覺化 9-3 使用 TensorBoard.dev 來對外分享模型訓練過程 9-4 使用 ClearML 來視覺化並分享模型訓練過程 9-5 總結 Bonus (電子書) 運用輕量級 AutoML 套件 Flaml 於結構化資料預測任務 A-1 Flaml 分類器 A-2 Flaml 迴歸器 A-3 自訂訓練演算法、指標並保存模型

Arduino自走車最佳入門與應用: 打造輪型機器人輕鬆學 (2版)

類似書籍推薦給您

【簡介】 易學易用的初學指引，打造專屬的機器人自走車！ 《Arduino自走車最佳入門與應用》專為對機器人自走車有興趣，但缺乏足夠知識、經驗與技術能力的讀者編寫。全書淺顯易懂的圖文解說，讓沒有電子、資訊相關科系背景的人，也可以快速又簡單的自造一台Arduino自走車，按圖施工、保證成功。 本書涵蓋大多數機器人自走車的控制範例，例如使用紅外線循跡模組、RFID模組、超音波模組、按鍵模組、雙軸搖桿模組、藍牙模組、加速度計模組、攝影機模組、紅外線遙控器、手機觸控、手勢操控等控制方式；以及透過紅外線、藍牙、RF、XBee、Wi-Fi等無線通訊連線，遠端控制自走車前進、後退、右轉、左轉及停止等運行動作。 本書特色如下： ■ 最完整的輪型機器人自走車實例，如紅外線循跡自走車、紅外線遙控自走車、藍牙遙控自走車、RF遙控自走車、XBee遙控自走車、加速度計遙控自走車、超音波避障自走車、RFID導航自走車、Wi-Fi遙控自走車等 ■ 縱向連貫單元主題式學習，強化自造自走車實務與經驗。輕鬆完成溫控、聲控、光控、競速、相撲、負重及跟隨自走車等 ■ 軟、硬知識及相關技術都有詳細圖文解說 ■ 使用常見周邊模組輕鬆組裝具有創意的自走車 ■ 附自走車組裝說明 ■ 智慧家電延伸學習及應用 【目錄】 Chapter 1 Arduino 快速入門 Chapter 2 基本電路原理 CHAPTER 3 自走車實習 CHAPTER 4 紅外線循跡自走車實習 CHAPTER 5 紅外線遙控自走車實習 CHAPTER 6 藍牙遙控自走車實習 CHAPTER 7 RF 遙控自走車實習 CHAPTER 8 XBee 遙控自走車實習 CHAPTER 9 加速度計遙控自走車實習 CHAPTER 10 超音波避障自走車實習 CHAPTER 11 RFID 導航自走車實習 CHAPTER 12 Wi-Fi 遙控自走車實習 Appendix A 實習材料表 Appendix B Arduino 燒錄器 Appendix C Arduino 自走車組裝說明

機器人與自動化：遇見2019未來學

類似書籍推薦給您

機器人與自動化：遇見2019未來學 ISBN13：9789576555565 替代書名：The Robot and Automation Almanac - 2019 出版社：科技圖書 作者：傑森‧辛克爾-主編 譯者：科技圖書-編譯 裝訂／頁數：平裝／184頁 規格：21cm*14.8cm*1cm (高/寬/厚) 版次：1 出版日：2020/12/31 中國圖書分類：自動控制工程 內容簡介 　　本書共分四大部分，分別由不同的領域的專家撰寫 　　第一部分是談對「機器人、自動化和人工智慧」的未來願 　　第二部分是探討「社交機器人」的發展 　　第三部分是講述「機器人在產業發展」的趨勢 　　第四部分則是對「供應鏈中的機器人」的角色扮演 　　機器人和自動化產業仍是非常新的產業，但它們將成為越來越重要的產業。與此同時，非常高興的是，未來學家研究室能夠用這本書為這些產業的公司提供支援。我們也很高興能和那些被認定為該產業的的思想領航者一起會議討論，這些領航者和會議討論對機器人和自動化的發展是非常重要，包括A3和機器人產業會議。 　　《機器人與自動化》象徵著思想菁英們的書面蒐集，但機器人產業在親證階段的體驗是令人驚嘆的。它已經形成了從經濟學家到未來學家的過渡。 　　「機器人與自動化」在軟體升級與套裝軟體能力提升的等待；以及中美貿易戰以及COVID-19持續未果的時刻。 　　產業界和研究人員面對整個人類社會的未來方向，我們應該如何面對往後要過的生活？訂出一個怎樣的未來。 目錄 ＃原序：從未來學家研究室談起 ／7 ＃導言：遇見2019以及未來 ／11 第一部分：展望2019年：機器人、自動化和人工智慧 ＃機器人技術提升的方向 ／19 麥可˙華頓[Michael Walton] ＃即將到來的機器人計算：大贏家和大輸家 ／25 布魯斯˙韋爾蒂[Bruce Welty] ＃人工智慧的未來：2019年及未來趨勢 ／31 賈米拉˙安梅[Djamila Amimer] ＃機器人在未來一年的發展 ／37 馬切伊˙利謝茲基[Maciej Lisiecki] ＃邁向量子計算 ／43 布萊恩˙拉˙庫爾[Brian La Cour] 第二部分：社交機器人 ＃機器人知覺的演進 ／53 羅素˙尼克森[Russell Nickerson] ＃橋接產業與STEAM教育 ／63 傑森˙古維[Jason Gouw] ＃聊天機器人就是現在的語音識別機器人 ／75 洛倫佐˙卡弗[Lorenzo Carver] ＃人類與協作型機器人：是誰在與誰合作？ ／81 凱斯˙布蘭謝[Keith Blanchet] ＃克服對互動能力需求和勞動力替代的恐懼 ／89 丹尼爾˙特奧巴爾德[Daniel Theobald] 第三部分：機器人在產業發展 ＃智能產業的興起：人工智慧將如何推動創新浪潮 ／99 傑夫˙柏斯汀[Jeff Burnstein] 羅伯˙豪施卡[Robert Huschka] ＃運輸自動化與多樣性而非奇異的未來 ／109 克雷格˙富勒[Craig Fulle] ＃營造業揭示了機器人創新的意義 ／119 迦勒˙施泰因豪爾[Kaleb Steinhauer] ＃從智慧實驗點到智慧城市 ／125 弗雷德˙凡˙伯寧恩[Fred van Beuningen] ＃金融服務業下的區塊鏈和自動化 ／135 羅伯˙漢德菲爾德[Robert Handfield] 第四部分：供應鏈中的機器人 ＃供應鏈技術的關鍵是去「看」 ／143 丹尼爾˙斯坦頓[Daniel Stanton] ＃搭乘第四波倉儲的時機 ／151 山繆˙亞歷山德森[Samuel Alexandersson] ＃超在地化供應鏈：實體、財務與可獲得性 ／157 大衛˙施韋貝爾[David Schwebel] ＃技能差距和多軸機器人 ／165 傑伊˙斯梅塔[Jayesh Mehta] ＃關於未來學家研究室 ／171 ＃主編簡介 ／173 ＃主編相關著作 ／177 ＃免責聲明 ／179 ＃來自未來研究室聲明 ／180 ＃編譯後話 ／182