華通書坊
詳細資訊
【簡介】 【目錄】 第一章 總 論 第二章 連桿組及機構 第三章 凸 輪 第四章 正齒輪 第五章 非標準正齒輪 第六章 斜齒輪、螺旋齒輪與蝸輪傳動 第七章 齒輪系 附 錄 習題解答 中英文索引
| 定價: | ||||
| 售價: | 362元 | |||
| 庫存: | 已售完 | |||
| LINE US! | 詢問這本書 團購優惠、書籍資訊 等 | |||
| 此書籍已售完，調書籍需2-5工作日。建議與有庫存書籍分開下單 | ||||
機構學 (1版)
定價:
385
售價:
362
現省:
23
| 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
【簡介】 【目錄】 第一章 總 論 第二章 連桿組及機構 第三章 凸 輪 第四章 正齒輪 第五章 非標準正齒輪 第六章 斜齒輪、螺旋齒輪與蝸輪傳動 第七章 齒輪系 附 錄 習題解答 中英文索引
為您推薦
相關熱銷的書籍推薦給您
This significantly revised edition presents a broad introduction to Control Systems and balances new, modern methods with the more classical. It is an excellent text for use as a first course in Control Systems by undergraduate students in all branches of engineering and applied mathematics. The book contains: A comprehensive coverage of automatic control, integrating digital and computer control techniques and their implementations, the practical issues and problems in Control System design; the three-term PID controller, the most widely used controller in industry today; numerous in-chapter worked examples and end-of-chapter exercises. This second edition also includes an introductory guide to some more recent developments, namely fuzzy logic control and neural networks.
類似書籍推薦給您
【簡介】 ＊全面掌握雲端資料與AI平台設計關鍵 ＊實戰導向，靈活運用AWS、Azure、Google Cloud、Snowflake、Databricks ＊從基礎到進階，打造符合企業需求的現代化資料平台 ＊強化資料治理，加速AI/ML創新，驅動決策智慧 無論你是資料架構師、工程師，或是希望運用AI強化決策的企業領導者，本書都將成為你打造未來資料與機器學習平台的最佳指南！ 在資料驅動的時代，企業該如何善用資料創造價值？ 本書由三位資深工程師聯手打造，為雲端架構師與資料專業人士提供了一套清晰完整的解決方案。從雲端資料平台的設計到AI與機器學習的整合，帶您走過資料現代化的每一步。無論是整合分散的資料、實現即時決策，還是利用AI解鎖創新潛力，本書都提供了實用的架構與工具，幫助你在雲端時代保持優勢。 「本書完整介紹，如何依據企業組織的策略方向，設計與建置現代雲端資料與ML平台的概念、模式與元件。真希望我能在多年前就能讀到這本書。」 —Robert Sahlin，Mathem資料平台主管 所有的雲端架構師都必須知道如何建置資料平台，以賦與企業能夠快速高效地做出資料驅動的決策，並在整個企業範圍內提供智能化服務。本書將展示如何使用AWS、Azure、Google Cloud以及Snowflake與Databricks這類多重雲端工具，設計、建置與現代化雲端原生資料與機器學習平台。 作者Marco Tranquillin、Valliappa Lakshmanan與Firat Tekiner使用真實世界企業架構來說明，內容涵蓋從雲端匯入到啟動整個資料生命週期。你將學到如何轉換、保全與現代化資料倉儲與資料湖這些熟悉的解決方案，也將能充份利用最新的AI/ML模式取得精準且快速的洞見，提升競爭優勢。 你將學會： ＊設計現代化且安全的雲端原生或混合資料分析與機器學習平台 ＊透過將企業資料整合到治理良好、可擴充的與彈性的資料平台，加速資料導向的創新。 ＊民主化存取企業資料，治理業務團隊提取洞見方式與建置AI/ML的能力。 ＊讓您的企業利用串流管道即時決策 ＊建置MLOps平台，移往預測性與指示性分析 【目錄】 第一章 資料平台現代化：簡介 第二章 資料創新的策略性作法 第三章 設計資料團隊 第四章 遷移框架 第五章 架構資料湖 第六章 企業資料倉儲的創新 第七章 湖倉融合 第八章 串流架構 第九章 混合與邊緣擴展資料平台 第十章 AI應用架構 第十一章 架構ML平台 第十二章 資料平台現代化：模型案例
類似書籍推薦給您
類似書籍推薦給您
現代機構學 作者：顏鴻森、吳隆庸、黃文敏、吳益彰、藍兆杰 ISBN：9789865522049 版次：1 年份：2020 出版商：東華書局 頁數/規格：472頁/平裝雙色 簡介 本書特色 機構之功能為產生必要的機械運動。傳統的設計是經由連桿、凸輪、齒輪、及其它機構，來達成所需的運動輸出。21世紀的現代，有些電動機功能，可直接產生輸出端所需的運動；廣義言之，亦是機構學範疇。「現代機構學」與時俱進的將著者前撰「機構學」專著大幅改版，減少傳統機構內容及圖解技巧篇幅，增加電機機構、機構合成、及機器動力專章，以符合現代機器設計與科技發展需求。 目錄 第01章 緒言 INTRODUCTION 第02章 機構的構造 STRUCTURE OF MECHANISMS 第03章 機構的運動 MOTION OF MECHANISMS 第04章 連桿機構 LINKAGE MECHANISMS 第05章 運動分析-圖解法 GRAPHICAL KINEMATIC ANALYSIS 第06章 運動分析-解析法 ANALYTICAL KINEMATIC ANALYSIS 第07章 連桿機構合成 SYNTHESIS OF LINKAGE MECHANISMS 第08章 凸輪機構 CAM MECHANISMS 第09章 齒輪機構 GEAR MECHANISMS 第10章 動力分析 DYNAMIC FORCE ANALYSIS 第11章 電機機構-永磁式電動機 ELECTRICAL MECHANISMS
類似書籍推薦給您
【簡介】 可於第一線使用！ 運用設計模式的最佳設計、建構與維護方法 滿載機器學習系統實用化所需的設計、開發、維護知識 適合AI工程師、系統工程師 本書旨在提供一個全方位的指南，幫助讀者將機器學習真正應用於實際的商業環境中。 企業的核心是經營事業而不能僅只於研究，所以讓機器學習實用化所需的工程技術與知識，與機器學習的學術研究同樣重要，甚至更加重要。而要讓機器學習快速實用化且變得更加方便，就需要建置各種系統。 本書主要在講述前著《AI開發的機器學習系統設計模式》未能觸及的內容，特別是如何在商業環境中建立機器學習系統，包括定義商業場合的使用情境、建構工作流程與系統，並且強調機器學習系統的實際應用，以及會遇到的問題，詳盡解說如何將機器學習整合到現有的運行系統和工作流程中。 市面上雖然有許多介紹機器學習模型建構與使用方式的書籍，卻很少有針對系統建置的說明。因此，本書的重點在於讓機器學習能夠真正付諸實用，包括課題設定、工作流程設計以及系統建置方法。 本書不僅介紹機器學習模型，更著重於建立應用機器學習所需的前台、後台、基礎架構、管線、BI工具等。 主要內容包括： ．定義商業應用場景：介紹不同的商業情境及如何在這些情境中應用機器學習。 ．建構工作流程與系統：不僅限於機器學習模型，還包括前台、後台、基礎架構、管線、BI工具及其他相關軟體的建立。 ．解決現有書籍的不足：現有書籍多專注於技術和實例，但很少介紹驅動機器學習的系統建構方法。本書彌補這一不足。 ．課題設定和系統嵌入：介紹如何設定機器學習要解決的課題，並將其嵌入系統和日常業務活動中。 ．實例與應用：書中包含作者自製的智慧型手機App、後台、批次系統及相關資料的實例，並提供實際運作的系統示範。 ．前著延伸：本書是《AI開發的機器學習系統設計模式》的延續，涵蓋了前著未涉及的部分，如課題設定和系統嵌入方法。 ．綜合技術學習：讀者能通過個案研究學會課題設定、工作流程設計、系統開發及團隊建置等技術。 提供下列需求度較高的機器學習系統範例 ．需求預測系統 ．違規偵測系統 透過案例，學習機器學習實用化所需的內容 ．課題設置 ．工作流程設計 ．系統開發 ．團隊設計 【目錄】 前言 本書的目標讀者與必要的先備的知識 本書的編排方式 本書範例檔的執行環境 書上的範例檔與GitHub範例檔的差異之處 本書的範例檔 第1章 課題、團體、系統 1.1 如何透過軟體技術解決商業課題 1.2 設計利用機器學習解決課題的腳本 1.3 根據團隊規模與技術思考開發與維護系統的流程 1.4 設計機器學習系統的架構 1.5 新的機器學習系統設計模式 1.6 團隊編制的模式 1.7 小結 第2章 建立需求預測系統 2.1 需求預測的目的 2.2 機器學習團隊與軟體開發團隊的編制範例 2.3 利用機器學習預測需求 2.4 需求預測系統與業務的工作流程 2.5 總結 第3章 利用動物圖片應用程式建置違規內容偵測系統 3.1 動物圖片應用程式的概要 3.2 偵測違規內容的目的 3.3 定義判斷違規內容所需的資料 3.4 設計違規內容偵測系統與工作流程 3.5 開發違規內容偵測模型 3.6 讓違規內容偵測系統實用化 3.7 總結 第4章 於動物圖片應用程式的搜尋功能使用機器學習 4.1 動物圖片應用程式的搜尋功能 4.2 利用機器學習改善搜尋功能 4.3 建立相似詞詞典 4.4 利用排序學習排序搜尋結果 4.5 建置A／B測試 4.6 利用圖片搜尋 4.7 打造使用者願意使用的機器學習 結語 索引
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
