Name: Keras大神歸位：深度學習全面進化！
Price: 1080 TWD
Availability: InStock
Author: François Chollet
ISBN: 9789863127017

書名:	Keras大神歸位：深度學習全面進化！
作者:	François Chollet
譯者:	黃逸華
ISBN:	9789863127017
出版社:	旗標
書籍開數、尺寸:	18.3x23.5x3.1
頁數:	656
#資訊 #AI人工智慧與機器學習

定價:	~~1200~~元
售價:	1080元
庫存:	庫存: 1
LINE US!	詢問這本書團購優惠、書籍資訊等

Keras大神歸位：深度學習全面進化！

定價: ~~1200~~ 售價: 1080 現省: 120

付款方式:	超商取貨付款
	信用卡
	線上轉帳
物流方式:	超商取貨
	宅配
	門市自取

詳細資訊

Keras大神歸位：深度學習全面進化！用 Python 實作CNN、RNN、GRU、LSTM、GAN、VAE、Transformer ISBN13：9789863127017 替代書名：Deep Learning with Python, Second Edition 出版社：旗標出版社作者：François Cholle 譯者：黃逸華;林采薇裝訂／頁數：平裝／656頁規格：23.5cm*18.3cm*3.1cm (高/寬/厚) 出版日：2022/06/22 中國圖書分類：電腦科學內容簡介正宗Keras大神著作再次降臨！近10年來，深度學習為人工智慧領域帶來了出色的進展，也解鎖了許多有趣的新功能，如：機器翻譯、影像識別、物體定位等不一而足。毫不誇張地說，深度學習已迅速成為每位軟體開發者必備的武器。此外，諸如Keras和TensorFlow等先進的工具，也消除了普通人與深度學習之間的隔閡。即使你只有高中程度的數學知識，且甚至沒有資料科學的相關背景，也依舊可以透過這些工具來建構有趣的深度學習應用。本書由 Keras 創始者親自撰寫，沒人比他更了解Keras這套工具，雖然如此，但這並不是一本 Keras 的使用手冊，而是帶你從頭開始探索深度學習，進而拓展對深度學習理解的經典之作。你也將從中明瞭解決機器學習問題的標準作業流程，以及未來實務上如何克服可能遇到的問題。本書前一版在全世界都獲得非常高的評價，並被翻譯成12種語言，到現在仍是技術社群推薦必讀的深度學習入門書。不過深度學習技術在這短短幾年有巨大的進展，因此第二版作者新增了許多常見任務的實作專案，例如：影像分割、時間序列預測、機器翻譯等。另外，作者還加入了當前熱門技術的介紹，如attention機制、Transformer架構、KerasTuner等，並搭配實作案例來加深讀者的理解。由於第二版的內容修改幅度極大，因此中文版重新編譯，由業內專家進行翻譯、審閱，在專有名詞的說法和敘述，都更加符合國內業界的習慣用語。無論你是從業中的機器學習工程師、軟體開發人員，還是資訊科系學生，本書的內容都會對你有所幫助。本書特色 ☆全面採用最新的Tensorflow × Keras版本 ☆Keras創始者親筆之作，以自身經驗分享深度學習的門道 ☆從做中學，各章皆搭配豐富專案實作，不會只是紙上談兵 ☆延續第一版的紮實基礎內容，新增了當前最熱門的技術，讓讀者可以更上一層樓 ■卷積神經網路 ■殘差連接 ■變分自編碼器(VAE) ■self-attention機制 ■Transformer架構 ■KerasTuner超參數調校 ■模型集成 ■混合精度訓練等等 ☆本書由施威銘研究室監修，書中針對原書進行大量補充，並適當添加註解，幫助讀者更好地理解內容重磅推薦「掌握本質，了解其所能與不能，是面對技術快速迭代、世局難以預測的鑰匙。本書就是開啟深度學習的一把鑰匙。」——鴻海研究院執行長李維斌　「對於想熟悉 Keras和Tensorflow的技術人來說，是一本極佳的入門學習書，而對於不熟悉技術只想一窺門道的人來說，結構井然的邏輯和極為通暢易讀的寫作方式，大大降低了非技術出身如我輩的學習門檻。」——台灣人工智慧科技基金會執行長溫怡玲「Keras大神親自出手將最新的發展及其具體應用範例帶到我們面前，在AI產業界來說，這是極其重要的大事，不可等閒視之，而且是由在 AI領域著墨很深、實踐經驗豐富的黃逸華數據長主持翻譯與審閱工作，更讓我們充滿期待。」——台灣人工智慧協會副理事長黃國寶「大神再次出手，這是AI產業化的高光時刻，很榮幸可以參與這場盛事，也謝謝您的關注。」——華實智造科技有限公司數據長黃逸華目錄 ★第1章：何謂深度學習？ 1-1 人工智慧、機器學習與深度學習 1-2 機器學習的基礎技術 1-3 為什麼是深度學習？為什麼是現在？ ★第2章：神經網路的數學概念 2-1 初探神經網路：第一隻神經網路 2-2 神經網路的資料表示法：張量Tensor 2-3 神經網路的工具：張量運算 2-4 神經網路的引擎：以梯度為基礎的最佳化 2-5 重新檢視我們的第一個例子 ★第3章：Keras和TensorFlow簡介 3-1 TensorFlow是什麼？ 3-2 Keras是什麼？ 3-3 Keras與TensorFlow的戀愛史 3-4 設定深度學習工作站 3-5 使用TensorFlow的第一步 3-6 剖析神經網路：了解Keras API的核心 ★第4章：開始使用神經網路：分類與迴歸問題 4-1 二元分類範例：將電影評論分類為正評或負評 4-2 多類別分類範例：分類數位新聞專欄 4-3 迴歸範例：預測房價 ★第5章：機器學習的基礎 5-1 普適化：機器學習的終極目標 5-2 評估機器學習模型 5-3 提升模型的擬合表現 5-4 提高普適化能力 ★第6章：機器學習的工作流程 6-1 定義任務 6-2 開發模型 6-3 部署模型 ★第7章：深入探討Keras 7-1 Keras的工作流程 7-2 建構Keras模型的不同方法 7-3 使用內建的訓練與評估迴圈 7-4 設計自己的訓練及評估迴圈 ★第8章：電腦視覺的深度學習簡介 8-1 卷積神經網路(CNN) 8-2 以少量資料集從頭訓練一個卷積神經網路 8-3 利用預先訓練好的模型 ★第9章：電腦視覺的進階技巧 9-1 電腦視覺的三種基本任務 9-2 影像分割案例 9-3 現代卷積神經網路的架構模式 9-4 卷積神經網路學到了什麼？ ★第10章：時間序列的深度學習 10-1 各種時間序列任務 10-2 溫度預測任務 10-3 認識循環神經網路(recurrent neural networks) 10-4 循環神經網路的進階運用 ★第11章：文字資料的深度學習 11-1 概述自然語言處理(natural language processing, NLP) 11-2 準備文字資料 11-3 表示單字組的兩種方法：集合(set)及序列(sequence) 11-4 Transformer架構 11-5 文字分類之外的任務-以Seq2seq模型為例 ★第12章：生成式深度學習 12-1 使用LSTM來生成文字資料 12-2 DeepDream 12-3 神經風格轉換 12-4 使用變分自編碼器(Variational AutoEncoder)生成影像 12-5 對抗式生成網路(GAN)簡介 ★第13章：實務上的最佳實踐 13-1 讓模型發揮最大效用 13-2 擴大模型的訓練規模 ★第14章：結語 14-1 回顧關鍵概念 14-2 深度學習的倨限性 14-3 為提高AI普適性設定方向 14-4 實踐智慧：缺少的成分 14-5 深度學習的未來 14-6 在快速發展的領域保持最新狀態

為您推薦

人工智慧：智慧型系統導論3/e (3版)

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

原價: ~~590~~ 售價: 519 現省: 71元

立即查看

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)

【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

原價: ~~750~~ 售價: 675 現省: 75元

立即查看

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

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)。

原價: ~~1200~~ 售價: 1020 現省: 180元

立即查看

ChatGPT X Keras X PyTorch全方位應用實踐指南：從零開始的AI程式設計養成之路 (1版)

內容簡介文理組都能成功自學 AI 程式理論與實作並用，打造穩固的深度學習基礎　　本書內容改編自第 14 屆 iThome 鐵人賽 AI & Data 組的佳作系列文章《新手也能懂得 AI - 深入淺出的 AI 課程》。本書將以 AI 人工智慧的圖像與文字兩大領域應用為主軸，並對目前熱門的技術進行深度解析，內容範圍廣闊，涵蓋了辨識、生成和預測等技術。在閱讀本書的過程中，讀者不但會學習到基礎理論，同時也會進行程式撰寫訓練，並從實作練習加深對理論的理解與記憶。　　本書提供了一條 6 階段的人工智慧學習之路，從基本 Python 程式、爬蟲技術打好基礎，接著正式引領你進入 AI 人工智慧，了解深度學習模型的運作原理，並且跟著實作範例從無到有寫出 AI 程式，最後還能學會將 ChatGPT 串接到 LINE Bot，打造智慧個人小幫手。　　在這本書中，你將認識到各種常見的深度學習模型，包括 DNN、RNN、CNN，搭配適合初學者的 Keras、PyTorch、NumPy 等強大函式庫，讓你可以輕鬆打造阿拉伯數字辨識模型、股票趨勢預測圖，建立文章摘要，以及使用預訓練模型來強化模型的辨識能力。　　四大重點　　＊內容由簡入深　　從簡易入門，逐步理解人工智慧　　＊打通 AI 技能　　學習不同 AI 專案，將程式應用於生活　　＊全方面教學　　不需要程式基礎，從零開始寫程式　　＊理論結合實作　　理論與程式並重，會寫也會玩 AI 　　目標讀者　　● 對於人工智慧懷抱熱情，但是毫無程式經驗的新手　　● 希望能夠快速習得並累積人工智慧程式專案經驗的工程師　　● 剛踏入人工智慧領域的學生和研究者　　● 需要結合人工智慧，用於特定應用領域的專業人士專業推薦　　「如果您正在尋找一本全面且深入的人工智慧學習資源，這本書絕對值得一讀。它提供了結構良好的學習路徑，使您能夠從基礎到高階的技術水平不斷進步。此外它以自學為導向，使您能夠更好地理解和應用所學知識，這對於成功應用人工智慧技術至關重要。無論您的學習目標如何，這本書都是一個出色的起點。」──── 李俊宏 │ 國立高雄科技大學電機工程系資通組教授目錄第 1 章 Python 入門 1.1 Python 發展歷史 1.2 安裝 Python 與函式庫安裝 Python 安裝函式庫開啟教材 1.3 資料型態數值型態（Numeric Type）字串型態（String Type）容器型態（Container Type） 1.4 變數與運算指派變數全域變數與區域變數垃圾回收機制 1.5 運算式、運算子及運算元算術運算子邏輯運算子比較運算子 1.6 判斷式與迴圈 if⋯elif⋯else for 迴圈 while 迴圈 1.7 函數與類別函數（Function）類別（Class）第 2 章網路爬蟲 2.1 Selenium 介紹與安裝安裝方式 2.2 定位網站的元素使用瀏覽器定位 HTML 元素 2.3 Selenium 實作第 3 章理解何謂人工智慧 3.1 何謂人工智慧？ 3.2 人工智慧的發展歷史 3.3 人工智慧、機器學習、深度學習的差別人工智慧機器學習深度學習 3.4 機器學習中不同的學習方式監督式學習非監督式學習強化式學習遷移式學習第 4 章 DNN 原理介紹與 Keras 實作 4.1 何謂深度神經網路（DNN）？輸入層（Input Layer）隱藏層（Hidden Layer）輸出層（Output Layer） 4.2 前向傳播與反向傳播前向傳播（Forward Propagation）反向傳播（Back Propagation） 4.3 學習率、梯度與優化器是什麼？ 4.4 程式碼實作與解析：MNIST 手寫辨識第 5 章 LSTM 原理介紹與 Keras 實作 5.1 循環神經網路（RNN） 5.2 LSTM（Long Short-Term Memory）遺忘門層（Forget Gate Layer）狀態保存層（Cell State）輸出層（Output Layer） 5.3 程式碼實作與解析：繪製股票趨勢預測圖第 6 章 CNN 原理介紹與 PyTorch 實作 6.1 卷積神經網路（CNN）卷積層（Convolution Layer）池化層（Pooling Layer）全連接層（Fully Connected Layer） 6.2 PyTorch 介紹與安裝安裝方式 6.3 程式碼實作與解析：CIFAR10 影像辨識第 7 章 DCGAN 原理介紹與 PyTorch 實作 7.1 深度卷積生成式對抗網路（Deep Convolutional GAN） 7.2 鑑別器與生成器生成器 7.3 程式碼實作與解析：生成假的 MNIST 手寫辨識第 8 章 VGG16 原理介紹與 PyTorch 實作 8.1 預訓練模型 VGG16（Visual Geometry Group 16） 8.2 預訓練模型與遷移式學習 8.3 程式碼實作與解析：真假 MNIST 手寫辨識第 9 章 LSTM 自然語言處理與 PyTorch 實作 9.1 電腦該如何讀懂文字？ 9.2 Encoder、Decoder、Attention 9.3 TorchText 安裝與介紹安裝方式 9.4 程式碼實作與解析：IMDB 影評情緒分析第 10 章 BERT 原理介紹與 PyTorch 實作 10.1 萬物皆可 Transformer 10.2 BERT 10.3 認識 Hugging Face 安裝方式 10.4 程式碼實作與解析：真假新聞辨識第 11 章 T5 原理介紹與 PyTorch 實作 11.1 T5 介紹模型架構選擇 11.2 T5 的文本遮蔽方式自監督預訓練策略（High-Level Approaches）替換方式（Corruption Strategies）替換率（Corruption Rate）替換長度（Corruption Span Length） 11.3 程式碼實作與解析：生成新聞摘要第 12 章 ChatGPT Prompt 設計與應用 12.1 GPT GPT-2 GPT-3 ChatGPT 12.2 ChatGPT 能做什麼？解釋程式碼撰寫程式碼修正程式碼 12.3 指令的設計方式 12.4 ChatGPT 的 API 申請方式 OpenAI API 申請方式 Azure API 申請方式 12.5 程式碼實作與解析：建立個人智慧 ChatGPT 小幫手

原價: ~~720~~ 售價: 612 現省: 108元

立即查看

Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems (3版)

原價: ~~2800~~ 售價: 2800 現省: 0元

立即查看

必學! Python資料科學．機器學習最強套件: NumPy、Pandas、Matplotlib、OpenCV、Scikit-learn、tf.Keras

必學！Python資料科學‧機器學習最強套件－NumPy、Pandas、Matplotlib、OpenCV、scikit-learn、tf.Keras ISBN13：9789863126157 出版社：旗標出版社作者：石川聡彥-著;施威銘研究室-監修譯者：劉金讓裝訂／頁數：平裝／448頁規格：23cm*17cm*2.8cm (高/寬/厚) 重量：982克版次：１出版日：2021/04/19 中國圖書分類：電腦程式語言內容簡介最夯的 Python 套件解說 ✕ 最夯的資料科學、機器學習技術, 本書帶您一次學會！　　Python 是近來最熱門的程式語言, 也是資料科學、機器學習實作時的首選語言。Python 之所以在這些領域大放異彩, 就是仰賴了各種功能強大的第三方套件, 不過套件百百款, 該從哪些下手呢？很簡單, 很少用到的先不用花太多時間, 我們挑常用、關鍵的先學好！本書為有志於學習資料科學、機器學習的初學者, 嚴選出 NumPy、Pandas、Matplotlib、OpenCV、scikit-learn、tf.Keras 等最強套件, 絕對是初學者必須好好掌握的！　　NumPy 數值運算套件可以做資料高速運算, 許多套件也都是以 NumPy 為基礎建構而成, 經常得跟 NumPy 搭配使用, 一定要紮穩這個重要基石；　　在面對龐大的資料時, 使用 Pandas、Matplotlib 可以輕鬆做資料整理, 並藉由繪圖獲取重要資訊, 是資料科學實作的強大利器；　　OpenCV 是電腦視覺 (Computer Vision) 領域響叮噹的套件, 不管是裁切、縮放、輪廓偵測、過濾影像以強化資訊...各種影像處理功能一應俱全, 是影像辨識、機器學習做資料擴增的最強助手；　　最後, 我們將帶您一窺 scikit-learn、tf.Keras 這兩個重量級套件如何在機器學習、深度學習領域中發揮關鍵性的作用, 我們會實際操演如何利用它們做資料預處理 (Preprocessing)、建構 KNN / SVM / 邏輯斯迴歸 (Logistic regression) / 決策樹 (Decision tree) / 隨機森林 (Random forest)…等監督式學習分類模型；以及建立 DNN、CNN 等影像辨識神經網路 (Neural network)。　　看了本書之後, 你將深刻體會到各套件的強大之處, 利用短短幾行程式碼, 竟然瞬間完成許多運算、建模工作。不過各套件的函式、參數設定可不像網路文章寫的這麼單純, 當中有許多設定「眉角」需要特別注意, 為此, 小編都經過逐一詳測, 針對可能遇到的問題添加大量註解, 幫助讀者更加理解內容！本書特色　　□資料科學熱門套件解說　　‧紮穩 NumPy 重要基礎：axis、dimention、陣列切片、各種高速運算函式　　‧Pandas 資料分析技巧：資料清理、缺失值處理、快速取得各種統計數據　　‧Matplotlib 資料視覺化：繪製 2D / 3D 圖 / 子圖、比較資料的分布狀況　　‧OpenCV 影像處理：影像裁切 / 縮放 / 翻轉...做資料擴增, 二值化 (binarization) / 降雜訊...強化重要影像資訊　　□最紮實的機器學習、深度學習實戰　　‧機器學習的資料預處理 (Data preprocessing) 　　‧快速建構 KNN / SVM / 邏輯斯迴歸 (Logistic regression) / 決策樹 (Decision tree) / 隨機森林 (Random forest)...監督式學習分類模型　　‧建立 DNN、CNN 影像辨識神經網路 (Neural network) 　　‧建模完只是第一步！各模型超參數 (Hyperparameter) 調整心法大公開！　　□本書由【施威銘研究室監修】, 書中針對原書進行大量補充, 並適當添加註解, 幫助讀者更加理解內容！目錄第 1 章 Python 基礎：變數、資料型別與 if 判斷式第 2 章 Python 基礎：list、dict 與迴圈第 3 章函式、類別與模組第 4 章進階函式及特殊容器第 5 章 NumPy 高速運算套件 5-1 NumPy 的基本介紹 5-2 陣列的基本操作 5-2-1 建立陣列 5-2-2 陣列的切片操作 5-2-3 使用布林陣列篩選值 5-2-4 陣列的四則計算 5-2-5 體驗好用的 NumPy 函式 5-3 NumPy 多軸陣列 5-3-1 陣列的軸 (axis) 5-3-2 陣列的 shape 5-3-3 多軸陣列的切片做法 5-3-4 陣列轉置 (transpose) 5-3-5 陣列排序 5-3-6 陣列擴張 (Broadcasting) 5-3-7 用 NumPy 函式計算矩陣乘積第 6 章 pandas 的基礎 6-1 pandas 簡介 6-2 Series 物件的操作處理 6-2-1 建立 Series 物件 6-2-2 取出 Series 當中的元素 6-2-3 單取出「索引值」或者「內容值」-.index、.values 6-2-4 新增 Series 物件的元素–append() 6-2-5 刪除 Series 物件的元素–drop() 6-2-6 從 Series 物件篩選出想要的元素 6-2-7 將 Series 的元素排序–sort_index()、 sort_values() 6-3 DataFrame 物件的操作處理 6-3-1 建立 DataFrame 物件–pd.DataFrame() 6-3-2 修改 index 和 column 的名稱–.index、.column 6-3-4 加入新的資料列–append() 6-3-4 加入新的欄位 6-3-5 取出 DataFrame 當中的元素–df.loc[]、df.iloc[] 6-3-6 刪除 df 物件的列或行–drop() 6-3-7 將欄位值依大小排序–sort_values() 6-3-8 從 df 物件篩選出想要的資料第 7 章 DataFrame 的串接與合併 7-1 概念說明 7-2 用 concat() 串接多個 DataFrame 7-3 用 merge() 合併多個 DataFrame 第 8 章 DataFrame 的進階應用 8-1 載入外部檔案並做資料整理 8-2 處理 DataFrame 中的缺失值 8-2-1 用 dropna() 刪除含有 NaN (缺失值) 的列 8-2-2 用 fllna() 填補 NaN 值 8-3 分析數據常用到的技巧 (一) 8-3-1 duplicated()、drop_duplicated() - 尋找或刪除 DataFrame 內重複的資料 8-3-2 map()–利用 DataFrame 的既有欄位生成新的欄位 8-3-3 用 cut() 劃分、篩選資料 8-4 分析數據常用到的技巧 (二) 8-4-1 取頭尾列–head()、tail() ...

原價: ~~680~~ 售價: 612 現省: 68元

立即查看