Android 開源專案「真」實戰啟航：瀏覽器 App EinkBro 開發者帶你逐步從 UI 設計、UX 提升到多功能實現秘技全解析（iThome鐵人賽系列書）【軟精裝】 (1版)
類似書籍推薦給您
內容簡介
完整解說EinkBro兩年多來的開發過程
使你的Android開發功力再上一層樓
本書內容改編自第 14 屆 iThome 鐵人賽 Mobile Development 組佳作系列文章《從開發瀏覽器 APP 學習 Android 實戰技巧，並搭上 Jetpack Compose 的列車》與第 13 屆 iThome 鐵人賽Mobile Development 組佳作系列文章《如何開發適合電子書閱讀器使用的瀏覽器 Android APP》。
一本書包含了兩屆 iThome 鐵人賽得獎作品的精華，前後連貫，讓讀者能更深入地了解 EinkBro App 的演進過程。雖然 EinkBro 是作者業餘開發的作品，但是從 2023 年起，它開始被內建於台灣主流的電子書品牌的閱讀器中，這無疑是一種莫大的肯定。
不同於以往的 Android 教學書籍，本書以實際 App 專案的開發先後順序介紹各種不同主題和功能的實作，讓讀者能夠隨著專案的演進，感受到它一步步改善的過程，並從中學習到各種開發的技巧。
書中大部分內容的主題是圍繞在電子書閱讀器帶來的限制和特性上，在講解功能開發的緣由和發想時，還會解釋其背後的思考邏輯；讓讀者不但能夠學習到實作的細節，還可以讓促使未來在開發功能時的思惟能更加全面。
【目標讀者】
→已經熟悉基本的 Android 開發方式，想要再進一步學習更多的實作技巧。
→想要更了解 WebView 開發細節的開發者。
→好奇開源專案是怎麼樣不斷演進和發布的讀者。
→同樣是電子書閱讀器的愛好者，想了解 EinkBro 開發背後的秘辛的使用者。
目錄
Chapter 0 WebView 開發入門
0.1 架構
Chapter 1 總論
1.1 EinkBro App 簡介
1.2 EinkBro 功能演進
1.3 各章節簡介及閱讀方式
Chapter 2 選擇起跑點與訂定開發原則
2.1 如何選擇好的起跑點
2.2 訂定自己的開發原則
Chapter 3 使用者介面初步改善
3.1 提高圖案對比度
3.2 調整對話框
Chapter 4 改造瀏覽網頁的方式——靜態翻頁
4.1 以翻頁的方式瀏覽網頁
4.2 利用音量鍵翻頁
4.3 點擊畫面翻頁
Chapter 5 調整網頁字型
5.1 字型大小
5.2 字體粗細
5.3 更換雲端字型
Chapter 6 支援閱讀模式
6.1 何謂閱讀模式
6.2 初次嘗試
6.3 改試另一種效果比較好的實作
Chapter 7 直排閱讀
7.1 牛刀小試
7.2 閱讀模式 + 直排
Chapter 8 儲存網頁為 epub 檔案
8.1 引入函式庫
8.2 取得網頁內容
8.3 電子書名及章節名稱
8.4 如何實作儲存圖片
Chapter 9 翻譯功能
9.1 核心實作
9.2 取得網頁全文
9.3 整合 Google Translate 網頁
9.4 網頁內容分頁
9.5 雙視窗可拖拉調整大小元件
9.6 翻譯結果與主畫面同步捲動
Chapter 10 深色主題模式
10.1 顏色設定調整
10.2 夜間模式設定
10.3 WebView 的夜間模式支援
Chapter 11 支援多 Activity
Chapter 12 上架 App 到 F-Droid 平台
12.1 什麼是 F-Droid
12.2 發佈 EinkBro 到 F-Droid 的理由
12.3 如何進行
Chapter 13 導入 Koin
13.1 什麼是 Koin
13.2 為什麼要導入 Koin
13.3 導入方法
Chapter 14 同時顯示雙網頁
14.1 需求來源
14.2 開發方式
Chapter 15 自訂字型
15.1 從系統中選擇字型檔案
15.2 注入 CSS Font 資訊到 WebView 中
15.3 攔截 WebRequest 以傳回字型資訊
Chapter 16 支援 epub 檔案的閱讀
16.1 分析網路上實作閱讀 epub 檔案的範例
16.2 重構參考來的程式碼
Chapter 17 整合 Github Actions
17.1 利用 Github Actions 編譯 release 版本
17.2 更方便的下載 Github Action 編譯好的 binary
Chapter 18 導入 Jetpack Compose
18.1 導入 Jetpack Compose 的一些想法
18.2 Compose 快速切換設定的對話框
18.3 Compose 功能選單
18.4 Compose 設定畫面的第一層
18.5 Compose 自製的AutoCompleteTextView
18.6 改寫工具列前
18.7 改寫工具列
18.8 改寫工具列後
18.9 改寫 PreferenceUI
Chapter 19 遠端編譯程式碼
19.1 何謂 mainframer
19.2 mainframer 的概念
19.3 舊的 Intel Mac 設定
19.4 遠端機器（M1 Mac mini） 的設定
19.5 執行方式
Chapter 20 多指觸控手勢功能
20.1 多點觸控手勢偵測
20.2 縮放畫面時防止誤觸
Chapter 21 淘汰onActivityResult
21.1 註冊 ActivityResult
21.2 呼叫步驟 1 中已經建立好的 ActivityResultLauncher
Chapter 22 防止追蹤碼
22.1 找到所需資料
22.2 呼叫時機
22.3 Firefox 的實作
22.4 Brave 的實作
Chapter 23 SharedPreferences 的再包裝
23.1 善用 Delegate
23.2 改善 Toggle 的功能
Chapter 24 改善文字選取的功能選單
24.1 自製功能清單
24.2 改善選取不準確的情況
Chapter 25 整合 ChatGPT
25.1 使用外部函式庫進行初步整合
25.2 支援 stream 的回覆型式
立即查看
設計師都該懂的UI/UX設計實務：超圖解跨裝置網頁設計實戰講座
類似書籍推薦給您
立即查看
ChatGPT最強實戰工作術：90+提問模組，速升八大職能力，每天只上半天班 (1版)
類似書籍推薦給您
【簡介】
AI時代必備新職能，用ChatGPT優化傳統工作流程
3大溝通原則×8大職能應用×20+實際案例×90+提問模組，
升級核心競爭力！
★ 掃碼即送！購書限定特典「ChatGPT提示詞大全」 ★
與ChatGPT一起超速學習，讓職涯更進階！
讓AI幫你工作賺錢，擺脫朝九晚五的窮忙族
【改革轉捩點，通用AI讓分工專業化】
「工作法改革」是所有人的一定會遇到的必修課題，短時、高效又好品質更是所有工作者的終極目標。2022年ChatGPT問世，研究指出「ChatGPT將在八成的業界之中，對10%的業務造成影響，有兩成的業界則有50%的業務會被影響」。
當別人都在用，而你不會的時候就會被淘汰。
【「日本第一ChatGPT工作術職人」全步驟教學】
作者池田朋弘2022年開始，運用自己的創業經驗和最新人工智慧知識，先在自家企業全面導入ChatGPT，接著幫助其他企業導入ChatGPT的實戰應用，例如業務、產品開發、培訓和研討會等方面。同步經營YT頻道，積極推廣新型態AI工作術！
【掌握提示工程（Prompt Engineering）三大原則，從此ChatGPT不再跟你雞同鴨講】
‧提示
1. 收集資訊、提問
2. 撰寫與修訂文章
3. 擬定企劃、提出創意
4. 製作與修訂公式、程式
5. 翻譯與修訂其他語言
‧條件
1. 角色
2. 目的、背景
3. 要點
4. 參考範例、範本
5. 輸出範例
‧應對
1. 透過追加提示，得到更多資訊
2. 讓ChatGPT進行修訂
3. 讓ChatGPT發問
【本書最適合的讀者】
（1）有一定工作經驗，但薪水、職位上不去的你
（2）想減少文書處理時間的你
（3）時常需要創意激發的你
（4）想讓ChatGPT幫忙寫程式的你
（5）想快點收集到所需資料的你
（6）對ChatGPT一知半解的你
【實測有用！八大應用層面，九成工作都能解決】
（1）文書處理/製作（電郵、新聞稿、內部公告等等）
（2）創業、客戶需求相關的研究工作
（3）制定新企劃與靈感激發
（4）報表分析與企劃優劣評估
（5）建構分析系統
（6）業務工作（了解客戶需求、創建談話腳本等）
（7）行銷工作（提出見解、策劃立案等等）
（8）收集外語資訊、情報、翻譯和校對
【工作改善狀況】
‧書寫效率提升1.6倍，文章品質提升
‧回應客戶的速度提高1.3倍，客戶好評率提高1.3倍
‧工作流程生產力增加兩倍
‧傳統需要五天的工作，現在只需半天即可完成
本書特色
（1）範例超實用：從入門理論到進階操作，快速上手並靈活應用。
（2）應用最全面：涵蓋提升個人效率、創造力，涵蓋加強溝通能力和個人品牌，職涯發展最全面。
（3）最高CP值：90+提問模組直接套用，複製貼上一秒給答案。
【目錄】
前言／ 9 成工作，讓AI 幫你做
序章〈基礎篇1〉ChatGPT簡介
何謂ChatGPT
向ChatGPT提問與請求協助
設定ChatGPT
ChatGPT的應用場景
該使用免費版還是付費版？
智慧型手機也能使用ChatGPT
使用ChatGPT的指南（安全性策略與著作權）
第1章〈基礎篇2〉正確的提問方式
使用ChatGPT之前的「四項心理建設」
提供的技巧：設定提示詞的方法
提示工程的三大元素
三大提示詞的具體範例
第2章〈基礎篇3〉撰寫文章
利用ChatGPT撰寫文章
撰寫文章的常見課題
撰寫文章的流程
ChatGPT在撰寫文章的價值
ChatGPT辦不到的事
應用範例1撰寫郵件
應用範例2撰寫公司內部活動的說明
應用範例3 撰寫新聞稿（新商品／服務的說明）
應用範例4 撰寫部落格或是公司內部週報
應用範例5 撰寫企劃、提案與簡報資料
應用範例6 整理會議記錄
第3章〈基礎篇4〉透過ChatGPT收集資訊研究
收集資訊與研究的常見課題
收集資訊與研究的工作流程
ChatGPT在收集資訊與研究的價值
ChatGPT辦不到的事
微軟的Bing是什麼？
應用範例1調查不知道的事情
應用範例2比較調查
應用範例3業界與市場的調查
善用思考框架
第4章〈基礎篇5〉研擬企劃
利用ChatGPT研擬企劃
研擬企劃的常見問題
研擬企劃的流程
ChatGPT在研擬企劃的價值
ChatGPT辦不到的事
應用範例1整理市場與顧客的現況找出課題與機會
透過思考框架編排回答內容
找出商機
分析市場與顧客
應用範例2提出企劃的創意
應用範例3製作計畫（事業計畫、待辦事項表、收支表）
第5章〈基礎篇6〉應用IT工具
請ChatGPT協助我們使用IT 工具
應用IT工具的常見問題
應用IT工具的流程
ChatGPT在應用IT工具的價值
ChatGPT辦不到的事
應用範例1 Excel的使用方法
① 用語與基本操作
② 具體的操作方式
③ 需求＋操作方式
④ 撰寫公式與函數
⑤ 說明公式與函數
⑥ 找出產生錯誤的原因
應用範例2撰寫Excel巨集
① 撰寫巨集
② 解說巨集
③ 找出巨集的錯誤原因
④ 撰寫自訂函數
第6章〈應用篇1〉業務行銷
在業務工作應用ChatGPT
業務工作的常見課題
業務工作的流程
ChatGPT在業務工作的價值
ChatGPT辦不到的事
應用範例1理解顧客的需求
應用範例2撰寫電話預約話術
在行銷工作應用ChatGPT
行銷工作的常見課題
行銷工作的流程
ChatGPT在行銷工作的價值
ChatGPT辦不到的事
應用範例1找出洞見
應用範例2擬定行銷策略
應用範例3 撰寫X貼文
應用範例4 撰寫Google廣告文章
第7章〈應用篇2〉Excel試算表
提升Excel試算表的作業效率
應用OpenAI API的事前準備
在Excel試算表輸入提示詞（提問祕訣）
應用範例1 提升收集資訊的效率
應用範例2 替不同對象撰寫文章
應用範例3 文章資料的批次處理（分類或是貼標籤）
在OpenAI API註冊信用卡與設定上限
第8章〈應用篇3〉英語學習
支援多國語言的ChatGPT
應用範例1請ChatGPT 校閱自己撰寫的外語文章
應用範例2中文→外文的翻譯
應用範例3提升外文資訊收集效率（摘要）
應用範例4以聊天的方式練習外文
應用範例5外文語音練習
結語／ ChatGPT的未來發展與趨勢
看更多
立即查看
不動產經紀相關法規概要(實戰篇) (10版)
類似書籍推薦給您
【簡介】
本書特色
本書係針對不動產從業人員考試編撰，作者特地將「不動產經紀相關法規概要」的考試內容作有系統的編排，以亮點方式呈現，在每一亮點，以「★★★」代表很重要，以「★★☆」代表重要，以「★☆☆」代表普通；並在每一亮點後，精選出具代表性之歷屆試題及解答，相信對考生的應試準備，方便而有效率。除各章選錄重要試題外，書末另收錄113～106年專技普考歷屆試題暨解答，提供考生練習以熟能生巧，活學活用。
作者另著有《不動產經紀相關法規概要（基礎篇）》，讀者搭配使用，可有效提升應考實力。
【目錄】
第一章 不動產經紀業管理條例
亮點1 概說
亮點2 經營不動產經紀業之條件
亮點3 經紀業向主管機關申請備查
亮點4 不動產經紀人員之資格
亮點5 營業保證金
亮點6 不動產經紀人簽章
亮點7 不動產說明書
亮點8 收取報酬之規範
亮點9 經紀業與經紀人員之義務與責任
亮點10 獎懲規定
第二章 消費者保護法
亮點1 概說
亮點2 政府及企業經營者應為之措施
亮點3 企業經營者對商品或服務之責任
亮點4 定型化契約
亮點5 特種交易之規範
亮點6 消費資訊之規範
亮點7 消費者保護團體
亮點8 行政監督
亮點9 消費爭議之處理
亮點10 罰則
第三章 公平交易法
亮點1 概說
亮點2 獨占
亮點3 結合
亮點4 聯合
亮點5 限制競爭
亮點6 虛偽不實或引人錯誤之表示或表徵
亮點7 仿冒行為
亮點8 不公平競爭
亮點9 損害賠償
亮點10 反托拉斯基金
亮點11 其餘規定
亮點12 調查及裁處程序
亮點13 罰則
第四章 公寓大廈管理條例
亮點1 概說
亮點2 公寓大廈之部位
亮點3 專有部分之使用與維修
亮點4 共用部分之使用與維修
亮點5 住戶之權利義務
亮點6 公寓大廈之重建
亮點7 公寓大廈之公共基金
亮點8 惡鄰居之強制遷離或強制出讓
亮點9 區分所有權人會議
亮點10 管理委員會及管理負責人
亮點11 規約
亮點12 起造人之義務
亮點13 管理服務人
亮點14 其餘規定
亮點15 罰則
第五章 不動產說明書及相關契約書之應記載及不得記載事項
第六章 不動產委託銷售定型化契約應記載及不得記載事項
第七章 預售屋買賣定型化契約應記載及不得記載事項
第八章 房屋租賃定型化契約應記載及不得記載事項
附錄一 相關法規
附錄二 歷屆試題
立即查看
AIGC大型語言模型：個人應用到企業實戰立刻上手 (1版)
類似書籍推薦給您
【簡介】
https://youtu.be/YZ3u4tg1n8g
★AIGC的技術躍遷與「奇點臨近」
★大模型的「百模大戰」與競爭格局
★多模態模型與AGI的可能性
★AIGC在商業領域的應用爆發
★AIGC對社會與個人的轉型影響
★AIGC在電子商務與行業轉型中的應用
★ChatGPT提示詞最佳化與垂直應用
★AI繪圖/音效/視訊生成技術的實際應用
★AIGC技術的核心原理與架構
★LangChain框架與AI應用的開發實踐
★AutoGPT與HuggingGPT的協作能力
★文生視訊在企業級應用中的實踐
★專屬ChatGPT的定制與本地部署
★AIGC的風險管理與安全框架
這是一本深入探討AIGC（生成式人工智慧）技術與應用的全面指南，從技術原理到實際應用，從個人使用到企業實踐，為讀者提供了一個完整的視野。
透過詳細的案例和清晰的架構，帶領讀者了解AIGC如何從技術奇點發展到商業應用的浪潮，並揭示ChatGPT、大模型、多模態技術等核心概念的演變與突破。
本書強調AIGC在社會底層技術變革中的重要角色，並深入剖析其在電子商務、數位內容創造以及企業轉型中的價值，為讀者呈現了AIGC如何改變各行業的運作模式。
【章節概要】
第一篇：
新手入門，帶領讀者從AIGC的技術躍遷到多模態模型的興起，剖析ChatGPT如何引領生成式人工智慧熱潮，並闡述大模型的快速發展及其在商業應用中的創新實踐。
第二篇：
深入探討AIGC在個人應用上的多樣可能性，從AI聊天對話的提示詞最佳化到外掛程式的垂直應用，從Midjourney和Stable Diffusion的AI繪畫實踐到AI音訊與視訊生成的多場景操作，展現AIGC如何提升創造力與生產效率。
第三篇：
專注於技術原理和架構解析，涵蓋ChatGPT的核心技術、擴散模型的運作機制，以及LangChain框架在AI應用開發中的實際案例，進一步延伸到AutoGPT與HuggingGPT系統的協作能力。
第四篇：
企業應用實戰，從文生視訊的企業級實作到AI的軟體研發系統升級，並進一步探索定制專屬ChatGPT的實踐方案，為企業讀者提供實際的操作指南與解決方案。
最後是AIGC安全與風險治理，分析演算法、資料及應用層面的潛在風險，並提出完善的安全框架，為AIGC的可持續發展提供了切實可行的建議。
【專家推薦】
「ChatGPT 的發佈讓AI 技術的發展走到了「iPhone 時刻」。這項變革性的技術為人們帶來了前所未有的互動體驗和便利，之後又湧現了各種新的模型和技術。本書從多個方面介紹了AIGC 乃至AGI（人工通用智慧）的原理、應用場景，以及個人和企業的應用案例，值得大家閱讀。」
楊守斌 微軟社區區域技術總監 MSRD
「ChatGPT 的出現再次提醒我們，科技的突破是跳躍式的。AIGC 的發展關係著我們每個人。本書詳細介紹了AIGC 的發展脈絡和技術創新，更示範了使用AIGC 解決實際問題的方法，適合所有對AI 感興趣的讀者閱讀。」
曹冬磊博士 Kavout 首席科學家
「ChatGPT 的問世使得原本高端、神秘的AI 突然走進了大眾的工作與生活。AI 並不會直接搶走你的工作，但能用好AI 的人可能會。
本書是一本涵蓋原理、應用場景、應用案例的寶典。相信它可以幫你走出AI 焦慮，走進AI 世界。」
黃添來 高途集團高級技術總監
【目錄】
第 1 部分 AI 基礎概念
第 1 章 人工智慧基礎
1.1 探索 AI 的世界
1.1.1 人工智慧的範疇
1.1.2 何謂人工智慧？
1.1.3 人工智慧的演進
1.1.4 人工智慧的分級
1.2 機器學習大補帖
1.2.1 何謂機器學習？
1.2.2 機器如何學習？
1.2.3 資料學三劍客
1.2.4 機器學習流程
1.2.5 學 AI 該用哪種程式語言？
1.3 環境安裝指南
1.3.1 Anaconda 介紹與安裝
第 2 章 發現資料的秘密
2.1 資料的探索與準備
2.1.1 什麼是資料？
2.2 探索式資料分析
2.2.1 EDA 必要的套件
2.2.2 第一支EDA 程式：資料集一覽
2.2.3 資料集描述
2.2.4 載入資料集
2.2.5 直方圖
2.2.6 核密度估計圖
2.2.7 相關性熱圖
2.2.8 散佈圖
2.2.9 盒鬚圖
2.3 離群值的檢查與處理方法
2.3.1 檢查異常值的方法
2.3.2 處理異常值的方法
2.4 資料清理和前處理
2.4.1 缺失值的處理
2.4.2 類別資料的處理
2.5 數據正規化與標準化
2.5.1 正規化 (Normalization)
2.5.2 標準化（Standardization）
2.5.3 為何需要特徵縮放與轉換？
2.5.4 特徵縮放與轉換
第 2 部分 機器學習入門
第 3 章 非監督式學習：資料分群分類
3.1 何謂非監督式學習？
3.2 K-means 簡介
3.2.1 K-means 如何分群？
3.2.2 K-means 的最佳化目標
3.3 K-means 實務應用：群眾消費行為分群
3.3.1 資料集描述
3.3.2 載入資料集
3.3.3 建立K-means 模型
3.3.4 inertia 評估分群結果
3.3.5 視覺化分群結果
3.3.6 如何選擇最佳的K 值
3.4 降維技術在機器學習中的應用
3.4.1 降維的概念
3.4.2 主成分分析（PCA）
3.4.3 t- 隨機鄰近嵌入法（t-SNE）
3.5 降維實務應用：手寫數字降維視覺化
3.5.1 資料集描述
3.5.2 載入資料集
3.5.3 將資料切分成訓練集與測試集
3.5.4 建立PCA 模型
3.5.5 建立t-SNE 模型
第 4 章 線性模型
4.1 線性迴歸
4.1.1 線性迴歸簡介
4.1.2 線性迴歸的損失函數
4.1.3 線性模型求解方法：閉式解與梯度下降
4.2 線性迴歸實務應用：同步機勵磁電流預測
4.2.1 資料集描述
4.2.2 載入資料集
4.2.3 將資料切分成訓練集與測試集
4.2.4 特徵標準化
4.2.5 建立Linear Regression 模型
4.2.6 評估模型
4.2.7 迴歸係數分析
4.3 邏輯迴歸
4.3.1 邏輯迴歸簡介
4.3.2 邏輯迴歸學習機制
4.3.3 邏輯迴歸的損失函數
4.3.4 多分類邏輯迴歸
4.4 邏輯迴歸實務應用：鳶尾花朵分類
4.4.1 資料集描述
4.4.2 載入資料集
4.4.3 將資料切分成訓練集與測試集
4.4.4 建立Logistic regression 模型
4.4.5 評估模型
第 5 章 鄰近規則分析
5.1 k- 近鄰演算法
5.1.1 KNN 演算法原理
5.1.2 KNN 於分類和迴歸任務
5.1.3 KNN 度量距離的方法
5.1.4 比較KNN 與K-means 差異
5.2 KNN 實務應用：葡萄酒品種分類
5.2.1 資料集描述
5.2.2 載入資料集
5.2.3 將資料切分成訓練集與測試集
5.2.4 建立KNN 分類模型
5.2.5 評估模型
第 6 章 支援向量機
6.1 支援向量機簡介
6.1.1 支援向量機基本原理
6.1.2 超平面和支援向量
6.1.3 線性支援向量機
6.1.4 非線性支援向量機
6.2 支援向量機於分類和迴歸任務
6.2.1 SVM 分類器
6.2.2 SVM 迴歸器
6.2.3 參數調整技巧
6.3 SVM（分類）實務應用：手寫數字辨識
6.3.1 資料集描述
6.3.2 載入資料集
6.3.3 特徵前處理：t-SNE 降維
6.3.4 前置作業
6.3.5 建立SVM 分類模型
6.4 SVR（迴歸）實務應用：薪資預測
6.4.1 資料集描述
6.4.2 載入資料集
6.4.3 將資料切分成訓練集與測試集
6.4.4 建立SVR 迴歸模型
6.4.5 評估模型
6.4.6 視覺化預測：迴歸分析
第 7 章 決策樹
7.1 決策樹簡介
7.1.1 決策樹的基本概念
7.1.2 分類樹的生長過程
7.1.3 分類樹的評估指標
7.1.4 迴歸樹的生長過程
7.1.5 迴歸樹的評估指標
7.2 CART 決策樹
7.2.1 CART 演算法流程
7.2.2 決策樹剪枝
7.3 決策樹的可解釋性
7.3.1 決策樹的特徵重要性
7.4 決策樹（分類）實務應用：玻璃類型檢測
7.4.1 資料集描述
7.4.2 載入資料集
7.4.3 將資料切分成訓練集與測試集
7.4.4 建立分類決策樹模型
7.4.5 評估模型
7.4.6 模型的可解釋性
7.4.7 繪製決策邊界
7.5 決策樹（迴歸）實務應用：房價預測
7.5.1 資料集描述
7.5.2 載入資料集
7.5.3 特徵工程
7.5.4 將資料切分成訓練集與測試集
7.5.5 建立迴歸決策樹
7.5.6 評估模型
7.5.7 模型的可解釋性
第 8 章 整體學習
8.1 何謂整體學習？
8.1.1 特徵面
8.1.2 資料面
8.2 隨機森林
8.2.1 隨機森林簡介
8.2.2 隨機森林的生成方法
8.3 隨機森林（分類）實務應用：糖尿病罹患預測
8.3.1 資料集描述
8.3.2 載入資料集
8.3.3 將資料切分成訓練集與測試集
8.3.4 建立隨機森林分類模型
8.3.5 評估模型
8.3.6 模型的可解釋性
8.4 隨機森林（迴歸）實務應用：帕金森氏症評估預測
8.4.1 資料集描述
8.4.2 載入資料集
8.4.3 將資料切分成訓練集與測試集
8.4.4 建立隨機森林分類模型
8.4.5 評估模型
8.4.6 模型的可解釋性
8.5 極限梯度提升（XGBoost）
8.5.1 極限梯度提升簡介
8.5.2 XGBoost 模型結構
8.6 XGBoost（分類）實務應用：銀行客戶定存申辦預測
8.6.1 資料集描述
8.6.2 載入資料集
8.6.3 資料清理
8.6.4 將資料切分成訓練集與測試集
8.6.5 建立XGBoost 分類模型
8.6.6 評估模型
8.6.7 模型的可解釋性
8.7 XGBoost（迴歸）實務應用：汽車燃油效率預測
8.7.1 資料集描述
8.7.2 載入資料集
8.7.3 將資料切分成訓練集與測試集
8.7.4 建立XGBoost 迴歸模型
8.7.5 評估模型
8.7.6 模型的可解釋性
第 3 部分 進階概念與應用
第 9 章 交叉驗證和錯誤修正
9.1 不能忽視的過擬合與欠擬合
9.1.1 如何選擇最佳的模型？
9.1.2 過擬合 vs 欠擬合
9.1.3 偏差與方差的差權衡
9.1.4 如何避免欠擬合？
9.1.5 如何避免過擬合？
9.2 交叉驗證簡介
9.2.1 何謂交叉驗證？
9.2.2 K-Fold 交叉驗證
9.3 機器學習常犯錯的十件事
9.3.1 資料收集與處理不當
9.3.2 訓練集與測試集的類別分佈不一致
9.3.3 沒有資料視覺化的習慣
9.3.4 使用錯誤方法為特徵編碼
9.3.5 資料處理不當導致資料洩漏
9.3.6 僅使用測試集評估模型好壞
9.3.7 在沒有交叉驗證的情況下判斷模型性能
9.3.8 分類問題僅使用準確率作為衡量模型的指標
9.3.9 迴歸問題僅使用 R2 分數評估模型好壞
9.3.10 任何事情別急著想用 AI 解決
第 10 章 模型落地實踐與整合應用
10.1 模型整合與部署
10.1.1 機器學習開發流程回顧
10.1.2 DevOps 與MLOps 概念簡介
10.1.3 如何將模型整合到實際應用中
10.2 儲存訓練好的模型
10.2.1 ONNX 簡介
10.2.2 將scikit-learn 模型輸出為ONNX 格式
10.3 使用ONNX Runtime 進行模型推論
10.3.1 ONNX Runtime 簡介
10.3.2 載入 ONNX 模型並進行推論
10.4 使用FastAPI 建立模型推論服務
10.4.1 FastAPI 框架介紹
10.4.2 Python 後端開發框架比較
10.4.3 撰寫第一個 FastAPI 應用
10.4.4 整合ONNX 模型於API 中
10.4.5 使用Postman 測試API
10.4.6 自動生成 AIP 文件
10.5 網頁推論與前後端整合
10.5.1 環境設定與準備
10.5.2 建立簡單的前端界面
10.5.3 前後端 API 串接
立即查看
華通書坊
