人工智慧：智慧型系統導論 (3版)

相關熱銷的書籍推薦給您

書名：人工智慧：智慧型系統導論(第三版) 作者：李聯旺 出版社：全華 ISBN：9789862800959

機器學習：類神經網路、模糊系統以及基因演算法則 (4版)

相關熱銷的書籍推薦給您

書名：機器學習：類神經網路、模糊系統以及基因演算法則(第四版) 作者：蘇木春、張孝德 出版社：全華 出版日期：2016/05/00 ISBN：9789864632060 內容簡介 ■ 本書優點特色 1.將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。 2.以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 3.每一種理論都儘可能配合書中範例及圖表加以說明。 ■ 內容簡介 本書將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。此外，作者以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 目錄 第1章 類神經網路之簡介 第2章 感知機 第3章 多層感知機 第4章 非監督式類神經網路 第5章 聯想記憶 第6章 增強式學習 第7章 模糊集合 第8章 模糊關係及推論 第9章 模糊系統 第10章 基因演算法則

JavaScript網頁設計與TensorFlow.js人工智慧應用教本

類似書籍推薦給您

JavaScript網頁設計與TensorFlow.js人工智慧應用教本 ISBN13：9789865026103 出版社：碁峰資訊 作者：陳會安 裝訂／頁數：平裝／512頁 規格：23cm*17cm*2.4cm (高/寬/厚) 版次：1 出版日：2020/09/28 中國圖書分類：電腦程式語言 內容簡介 　　★詳細說明從ES6開始的JavaScript語言新標準 　　*使用微軟跨平台Visual Studio Code程式碼編輯器 　　*使用JavaScript版TensorFlow建構客戶端人工智慧的機器學習應用 　　*完整說明JavaScript基本語法、JavaScript自訂和內建物件。 　　*使用大量程式範例和圖例來說明HTML網頁的DOM。 　　*詳細說明CSS選擇器和如何使用JavaScript程式碼存取CSS樣式。 　　*Google Chrome開發人員工具的使用和JavaScript程式碼偵錯。 　　*完整說明jQuery語法、包裝者物件、jQuery選擇器、DOM/事件處理、動畫/特效和表單處理。 　　*詳細說明從ES6開始的JavaScript語言新標準、JavaScript非同步程式設計、JSON資料處理、Fetch API和AJAX。 　　*完整說明TensorFlow.js的張量、張量運算和視覺化圖表的繪製。 　　*實際使用JavaScript+TensorFlow.js的Keras API建構神經網路的深度學習。 　　*對於Python+Keras已經訓練好的模型，可以轉換成TensorFlow.js格式後，在客戶端建構人工智慧的機器學習應用。 　　*使用TensorFlow.js預訓練模型建立Web介面的圖片識別和分類，搭配網路攝影機WebCam建構即時物件偵測、人臉辨識和姿勢偵測等人工智慧應用。 目錄 第一篇.JavaScript程式設計 第1章： HTML與JavaScript的基礎 第2章： JavaScript變數與運算子 第3章： JavaScript流程控制 第4章： JavaScript函數與物件 第5章： JavaScript內建物件 第二篇.DOM物件模型與CSS 第6章： DOM物件模型 第7章： CSS層級式樣式表 第三篇.JavaScript函式庫-jQuery 第8章： jQuery基礎與Chrome開發人員工具 第9章： jQuery選擇器與CSS和DOM 第10章： jQuery事件處理 第11章： jQuery動畫、特效與表單處理 第四篇.從ES6開始的JavaScript語言新標準 第12章： JavaScript ES規格的新標準 第13章： 非同步程式設計、Fetch API與AJAX 第五篇.TensorFlow.js人工智慧應用 第14章： TensorFlow.js與機器學習基礎 – 認識機器學習、tensor操作和視覺化 第15章： 機器學習的迴歸、分類與CNN圖片識別 第16章： 人工智慧應用：TensorFlow.js預訓練模型 附錄A：HTML5繪圖標籤與Canvas API（電子書） 附錄B：JavaScript、jQuery與TensorFlow.js的網路資源（電子書）

Tensorflow接班王者：Google JAX深度學習又快又強大 (好評回饋版) (2版)

類似書籍推薦給您

【簡介】 　　☆好評再上市☆ 　　▶▶▶ 從深度學習的基礎知識到案例，快速掌握JAX深度學習框架！◄◄◄   　　本書為繁體版第一本的JAX全方位指南！JAX是一個用於高性能數值計算的工具，專門為深度學習領域所設計。本書從基礎概念開始談起，教導讀者在Windows環境下架設WSL，以方便使用GPU，而不需要全新從Linux安裝，接著開始介紹一些機器學習和深度學習的理論。從第四章開始，便是JAX的正式介紹，包括了XLA、自動微分等，以及談到JAX和Numpy之間的關聯，並且有實際的程式說明。   　　到第六章開始，便陸續介紹JAX的開發細節，然後正式使用JAX進行深度學習的程式應用，包括CNN中的VGG模型，或是將JAX和TF結合，運用兩者間的搭配來解決大部分的問題。待前面的基礎都已經完備後，便引導你來放手使用JAX撰寫自訂函數，以及帶讀者使用JAX的高級套件，如experimental和nn。最後則是進階CNN的開發，使用ResNet來完成CIFAR100的分類、用JAX解決NLP的問題，以及進一步使用JAX來實作GAN網路。   　　不管你先前是TF或PyTorch的使用者，當你發現JAX的程式碼行數是TF的1/10，PyTorch的1/3，速度更快，且程式碼更容易理解，更加Pythnoic，你真的可以開心地踏入JAX的深度學習世界！   　　【本書看點】 　　✪ 從零開始學JAX 　　✪ 把numpy放入TPU和GPU的數值套件 　　✪ JAX如何實作XLA 　　✪ 使用JAX實作CNN 　　✪ 用JAX自訂函數 　　✪ JAX實作ResNet CIFAR100資料集分類 　　✪ 用JAX實作自然語言處理的Word Embedding 　　✪ 用JAX實作GAN生成對抗網路   　　【適合讀者】 　　☛ 人工智慧入門讀者。 　　☛ 深度學習入門讀者。 　　☛ 機器學習入門讀者。 　　☛ 大專院校人工智慧專業的師生。 　　☛ 專業教育訓練機構的師生。 　　☛ 其他對智慧化、自動化感興趣的開發者。 【目錄】 01 JAX從零開始 1.1 JAX來了 1.2 JAX的安裝與使用 1.3 JAX實戰—MNIST手寫體的辨識 1.4 本章小結 02 一學就會的線性回歸、多層感知機與自動微分器 2.1 多層感知機 2.2 JAX實戰—鳶尾花分類 2.3 自動微分器 2.4 本章小結 03 深度學習的理論基礎 3.1 BP神經網路簡介 3.2 BP神經網路兩個基礎演算法詳解 3.3 回饋神經網路反向傳播演算法介紹 3.4 本章小結 04 XLA與JAX一般特性 4.1 JAX與XLA 4.2 JAX一般特性 4.3 本章小結 05 JAX的高級特性 5.1 JAX與NumPy 5.2 JAX程式的撰寫規範要求 5.3 本章小結 06 JAX的一些細節 6.1 JAX中的數值計算 6.2 JAX中的性能提高 6.3 JAX中的函數自動打包器—vmap 6.4 JAX中的結構儲存方法Pytrees 6.5 本章小結 07 JAX中的卷積 7.1 什麼是卷積 7.2 JAX實戰—基於VGG架構的MNIST資料集分類 7.3 本章小結 08 JAX 與TensorFlow的比較與互動 8.1 基於TensorFlow的MNIST分類 8.2 TensorFlow與JAX的互動 8.3 本章小結 09 遵循JAX函數基本規則下的自訂函數 9.1 JAX函數的基本規則 9.2 Jaxpr解譯器的使用 9.3 JAX維度名稱的使用 9.4 本章小結 10 JAX中的高級套件 10.1 JAX中的套件 10.2 jax.experimental套件和jax.example_libraries的使用 10.3 本章小結 11 JAX實戰—使用ResNet完成CIFAR100資料集分類 11.1 ResNet基礎原理與程式設計基礎 11.2 ResNet實戰—CIFAR100資料集分類 11.3 本章小結 12 JAX實戰—有趣的詞嵌入 12.1 文字資料處理 12.2 更多的詞嵌入方法—FastText和預訓練詞向量 12.3 針對文字的卷積神經網路模型—字元卷積 12.4 針對文字的卷積神經網路模型—詞卷積 12.5 使用卷積對文字分類的補充內容 12.6 本章小結 13 JAX實戰—生成對抗網路（GAN） 13.1 GAN的工作原理詳解 13.2 GAN的數學原理詳解 13.3 JAX實戰—GAN網路 13.4 本章小結 附錄A Windows 11 安裝GPU版本的JAX

TensorFlow模型解析與範例大全 (1版)

類似書籍推薦給您

【簡介】 TensorFlow認證考試最佳參考書 附解說檔及練習題400題 　　｜本書專為有志於認證考試或想深入了解人工智慧原理者而設計｜ 　　提供大量的習題及解說（超過400個），同時深入解說神經網路的運作原理，無論是初學者或進階者都適合閱讀。 　　｜繪製獨門的示意圖｜ 　　利用Excel的工作表來展示各種演算法的運算過程，將抽象概念具體化。 　　｜詳細解說損失函數、 激發函數、優化器、標籤編碼、單熱編碼、正規化、標準化、學習率、正向傳播、反向傳播及梯度下降法等機器學習的基礎觀念，以厚植人工智慧的實力｜ 　　這些觀念是開發人工智慧軟體的關鍵，也是一般學子最難搞懂的部分，本書以問答集的形式呈現，共計41個主題，例如：為何要使用交叉熵函數來計算誤差？如何選擇激發函數？如何建構孿生神經網路？何謂梯度消失與梯度爆炸？如何使用自注意力機制？ 　　【目標讀者】 　　✔各級學校的學生。 　　✔有志於認識人工智慧及參加認證考試的各界人士。 【目錄】 |Chapter 01| 神經網路之概念 1.1 神經網路模型簡介 1.2 神經網路模型運作解析 1.3 模型訓練的資訊 1.4 神經網路工作程序 1.5 應考須知 1.6 如何使用本書範例檔 |Chapter 02| 結構化資料的分類辨識 2.1 傳統的分類辨識方法 2.2 神經網路模型的分類辨識方法 |Chapter 03| 迴歸分析 3.1 傳統迴歸分析法 3.2 神經網路模型在簡單迴歸分析的用法 3.3 神經網路模型在多元迴歸分析的用法 |Chapter 04| 圖像辨識 4.1 圖像基本原理 4.2 圖片及影片的基本操作 4.3 傳統圖像辨識法的缺點 4.4 卷積神經網路說明 4.5 在TensorFlow中使用卷積層 4.6 在TensorFlow中使用池化層與展平層 4.7 卷積層與池化層的種類 4.8 開放數據集 |Chapter 05| 圖像資料的擴增 5.1 圖像擴增的意義 5.2 圖像擴增的方法 5.3 圖檔之讀取與分類 5.4 圖像資料產生器的特殊用途之一 5.5 圖像資料產生器的特殊用途之二 |Chapter 06| 預訓練模型的使用 6.1 預訓練模型簡介 6.2 預訓練模型的用法之一 6.3 預訓練模型的用法之二 6.4 預訓練模型的用法之三 6.5 預訓練模型的比較 6.6 遷移學習原理 |Chapter 07| 時間數列預測 7.1 時間數列的類型 7.2 時間數列預測法 7.3 時間數列預測步驟 7.4 時間步與時間數列之切割 7.5 循環神經網路的模式 7.6 循環神經網路之原理 7.7 循環神經網路的關鍵參數 |Chapter 08| 文本分類 8.1 文本處理步驟 8.2 移除停用詞 8.3 斷詞器 8.4 嵌入層與詞向量 8.5 預訓練的詞向量 8.6 文本分類的意義與程序 8.7 文本分類資料集簡介 8.8 文本預訓練模型之運用 8.9 文本分類的進階處理 |Chapter 09| 文本生成 9.1 文本生成概要 9.2 文本預處理 9.3 建構模型兩種 9.4 文本生成自訂函數 9.5 文本生成之斷句 9.6 自然語言處理的新發展 |附 錄|（附錄內容請至博碩官網下載） 附錄A 觀念解析 附錄B Google Colab使用方法 附錄C 範例檔清單_程式結構_套件版本

新一代 Keras 3.x 重磅回歸：跨 TensorFlow 與 PyTorch 建構 Transformer、CNN、RNN、LSTM 深度學習模型 (1版)

類似書籍推薦給您

【簡介】 ✧✦第一本 Keras 3 深度學習入門書✦✧ ✧✦一本搞定影像辨識與自然語言處理✦✧ ✧✦先圖解、再實作、而後實務應用✦✧ 本書以淺顯易懂的方式與大量圖例介紹深度學習的理論基礎，並使用 Keras 3 來建構 MLP、CNN、RNN、LSTM、GRU、Transformer 模型，實作多種熱門分類、迴歸問題，最後再介紹資料預處理、超參數調整、預訓練模型的遷移學習等，讓讀者能夠應對未來的實務應用。 深度學習是一種實現機器學習的技術，能夠使用模仿人類大腦功能的「類神經網路」，訓練模型從大量資料中學習，進而處理如視覺、聽覺等感知問題。 而 Keras 3 是 Keras 的重磅回歸，這是架構在 TensorFlow 和 PyTorch 等後台框架上的高階前端函式庫，可以讓使用者輕鬆取得不同後台框架的優點，來打造出最佳的神經網路模型。 書中內容包含：普遍應用於影像辨識的 CNN、善於處理序列資料的 LSTM，還有近幾年爆紅、多被應用於自然語言、語音或音樂資料的 Transformer 模型，以及基於 Transformer 的 BERT 和 GPT 等大型語言模型的應用，還有結合文字與圖像的 StableDiffusion 文字生圖等豐富內容。 除了講述深度學習理論基礎之外，還提供大量實作範例： ☛ MLP 多層感知器 - 疾病預測、房價預測的迴歸問題 ☛ CNN 卷積神經網路 - 手寫辨識、彩色圖片辨識 ☛ RNN 循環神經網路、GRU 閘門循環單元神經網路 - 影評的情緒分析 ☛ LSTM 長短期記憶神經網路 - 股價預測、新聞主題分類 ☛ Transformer 模型 - 文字的情感分析、語言翻譯 以及預訓練模型與遷移學習： ☛ CV 電腦視覺 - ResNet50 圖片分類、YOLO 物體偵測、StableDiffusion 文字生圖 ☛ NLP 自然語言處理 - BERT 情感分析、GPT-2 唐詩生成 還有 AE 自編碼器、Functional API 客製化神經網路、AutoML 自動調校模型超參數等多種主題等著你來學習！ 本書特色: ✓ 跨 TensorFlow 和 PyTorch 的 Keras 開發環境 ✓ 人工智慧、機器學習、深度學習的理論基礎 ✓ 從最根本的感知器、到當紅的 Transformer 模型 ✓ 逐步建構並調校自己的神經網路模型 ✓ 影像、文字資料的預處理與模型視覺化 ✓ YOLO、StableDiffusion 等電腦視覺模型的應用 ✓ BERT、GPT 等大型預訓練模型的遷移學習 ✓ 打造支援 GPU 的 Keras 開發環境 【目錄】 目錄: ▍第一篇 人工智慧與深度學習的基礎 第 1 章 認識人工智慧與機器學習 1-1 人工智慧概論 1-2 認識機器學習 1-3 機器學習的種類 第 2 章 建構跨 TensorFlow 和 PyTorch 的 Keras 開發環境 2-1 認識 TensorFlow、PyTorch 與 Keras 2-2 建立與管理 Python 虛擬環境 2-3 建構 Python 深度學習的開發環境 2-4 使用 Spyder 整合開發環境 2-5 Jupyter Notebook 基本使用 2-6 使用 Google Colaboratory 雲端服務 第 3 章 深度學習的基礎 3-1 認識深度學習 3-2 深度學習的基礎知識 3-3 深度學習的神經網路 – 建構你的計算圖 3-4 深度學習的資料 – 張量 ▍第二篇 多層感知器 – 迴歸與分類問題 第 4 章 圖解神經網路 – 多層感知器 (MLP) 4-1 線性不可分問題 4-2 認識多層感知器 (MLP) 4-3 神經網路的學習過程 – 正向與反向傳播 4-4 啟動函數與損失函數 4-5 反向傳播演算法與梯度下降法 4-6 神經網路的樣本和標籤資料 第 5 章 打造你的神經網路 – 多層感知器 5-1 如何使用 Keras 打造神經網路 5-2 打造分類問題的神經網路：糖尿病預測 5-3 認識線性迴歸 5-4 打造迴歸問題的神經網路：波士頓房價預測 5-5 儲存與載入神經網路模型 第 6 章 多層感知器的實作案例 6-1 實作案例：鳶尾花資料集的多元分類 6-2 實作案例：鐵達尼號資料集的生存分析 6-3 實作案例：加州房價預測的迴歸問題 ▍第三篇 卷積神經網路 – 電腦視覺 第 7 章 圖解卷積神經網路 (CNN) 7-1 影像資料的穩定性問題 7-2 卷積運算與池化運算 7-3 認識卷積神經網路 CNN 7-4 卷積層 7-5 池化層與 Dropout 層 7-6 打造你的卷積神經網路 第 8 章 打造你的卷積神經網路 8-1 認識 MNIST 手寫數字資料集 8-2 使用 MLP 打造 MNIST 手寫辨識 8-3 使用 CNN 打造 MNIST 手寫辨識 8-4 MNIST 手寫辨識的預測結果 第 9 章 卷積神經網路的實作案例 9-1 實作案例：辨識 CIFAR-10 資料集的彩色圖片 9-2 實作案例：使用 MLP 或 CNN 實作自編碼器 9-3 實作案例：使用 CNN 自編碼器去除圖片的雜訊 ▍第四篇 循環神經網路 – 自然語言處理 第 10 章 圖解 RNN、LSTM 和 GRU 神經網路 10-1 認識序列資料 10-2 自然語言處理的基礎 10-3 循環神經網路 (RNN) 10-4 長短期記憶神經網路 (LSTM) 10-5 閘門循環單元神經網路 (GRU) 10-6 文字資料向量化 Text Data Vectorization 第 11 章 打造你的循環神經網路 11-1 認識 IMDb 網路電影資料集 11-2 資料預處理與 Embedding 層 11-3 使用 MLP 和 CNN 打造 IMDb 情緒分析 11-4 如何使用 Keras 打造循環神經網路 11-5 使用 RNN、LSTM 和 GRU 打造 IMDb 情緒分析 11-6 堆疊 CNN 和 LSTM 打造 IMDb 情緒分析 第 12 章 循環神經網路的實作案例 12-1 實作案例：使用 LSTM 打造 MNIST 手寫辨識 12-2 實作案例：使用 LSTM 模型預測 Google 股價 12-3 實作案例：Reuters 路透社資料集的新聞主題分類 ▍第五篇 建構出你自己的深度學習模型 第 13 章 訓練資料、預處理層與神經層資訊 13-1 多種資料來源的訓練資料 13-2 取得神經層資訊與中間層視覺化 13-3 載入文字檔資料集與文字預處理層 13-4 載入圖檔資料集與圖片預處理層 13-5 資料增強的圖片增強層 13-6 實作案例：在 Keras 模型使用圖片預處理層與增強層 第 14 章 調校你的深度學習模型 14-1 識別出模型的過度擬合問題 14-2 避免低度擬合與過度擬合 14-3 加速神經網路的訓練：選擇優化器 14-4 加速神經網路的訓練：批次正規化 14-5 在正確的時間點停止模型訓練 14-6 在模型訓練時自動儲存最佳權重 14-7 自動調校神經網路模型的超參數：KerasTuner 第 15 章 預訓練模型與遷移學習 15-1 Keras 預訓練模型的圖片分類 15-2 KerasCV 的 YOLO 物體偵測與 StableDiffusion 文生圖 15-3 KerasNLP 的 GPT-2 生成文字與 BERT 情感分析 15-4 認識遷移學習 15-5 實作案例：MNIST 手寫辨識的遷移學習 15-6 實作案例：Keras 預訓練模型的遷移學習 第 16 章 Functional API、客製化神經網路與 Transformer 模型 16-1 深度學習模型視覺化 16-2 再談 Functional API 16-3 共享層模型與多輸入 / 多輸出模型 16-4 客製化 Keras 神經網路 16-5 認識 Seq2Seq 模型與 Transformer 模型 16-6 實作案例：Transformer 情感分析與英譯中 16-7 實作案例：微調 KerasNLP 的 GPT-2 生成唐詩 ▍電子書 附錄 A Python 程式語言與開發環境建立 A-1 Python 開發環境的建立 A-2 變數、資料型別與運算子 A-3 流程控制 A-4 函式、模組與套件 A-5 容器型別 A-6 類別與物件 附錄 B 使用 WSL 2 安裝支援 GPU 的 Keras 與 KerasNLP 開發環境 B-1 安裝 WSL 2、終端機與 Linux 子系統 B-2 在 Linux 子系統安裝 Anaconda B-3 建立支援 GPU 的 Keras 與 KerasNLP 開發環境 B-4 使用 Jupyter Notebook 測試 GPU 開發環境

精通機器學習｜使用Scikit-Learn, Keras與TensorFlow (3版)

類似書籍推薦給您

內容簡介 　　建立智慧型系統的概念、工具與技術 　　深度學習在經歷了一系列的突破之後，已經推動了整個機器學習領域的發展。如今，即使是對於這項技術非常陌生的程式設計師，也能夠使用簡單、高效率的工具，寫出能從資料中學習的程式。這本暢銷書使用具體的例子、最少的理論，以及具備生產水準的Python框架(Scikit-Learn、Keras和TensorFlow)來協助你直接瞭解智慧系統的建構概念與工具。 　　在這本第三版中，作者Aurélien Géron將探索一系列的技術，從簡單的線性回歸開始，逐步發展到深度神經網路。本書包含許多範例程式和習題來幫助活用所學，只要具備一些程式設計經驗即可入門。 　　‧使用Scikit-Learn自始至終完成機器學習專案 　　‧探索多種模型，包括支援向量機、決策樹、隨機森林，和集成方法 　　‧運用無監督學習技術，例如降維、聚類法和異常檢測 　　‧深入探討神經網路架構，包括摺積神經網路、遞迴網路、生成對抗網路、自動編碼器、擴散模型、轉換器 　　‧使用TensorFlow和Keras建構和訓練神經網路，以進行計算機視覺、自然語言處理、生成模型和深度強化學習 好評推薦 　　「這是一本出色的機器學習資源，包含淺顯易懂的解說，以及豐富的實用技巧。」 —François Chollet，Keras作者，《Deep Learning with Python》作者 　　「本書是運用神經網路來解決問題的絕佳入門資源，涵蓋理論及實踐。推薦給想學習實用機器學習技術的人。」 —Pete Warden，TensorFlow行動主管 作者介紹 Aurélien Géron 　　Aurélien Géron 是位機器學習顧問。他曾經於Google任職，在2013年至2016年帶領YouTube的影片分類團隊。他也是Wifirst的創始人兼CTO(自2002年至2012年)，並且是電信諮詢公司Polyconseil創始人兼CTO(於2011年)。