重量級平價電動車登場 贊助
2021-08-18 05:30:03PChome書店

Python機器學習與深度學習特訓班(第二版)看得懂也會做的AI人工智慧實戰(附120分鐘影音教學/範例程式)


Python機器學習與深度學習特訓班(第二版)看得懂也會做的AI人工智慧實戰(附120分鐘影音教學/範例程式)
作者:文淵閣工作室 出版社:碁峰資訊 出版日期:2021-04-16 00:00:00

<內容簡介>

國內外最具代表性案例,9大專題實戰、15個分類實例
Google Colab、Microsoft Azure兩大雲端應用,人臉辨識、自然語言、
文字識別、語音轉換、分析預測、物件自動標示、影像辦識真正實練,
從資料收集整理、模型訓練調整,檢測修正到產出全面解秘!

資料科學(Data Science)技術崛起後,人工智慧(Artificial Intelligence)、機器學習(Machine Learning)與深度學習(Deep Learning)儼然成為電腦科學最熱門的話題。其實,人工智慧的應用早已出現在我們生活周遭,如即時車牌影像辨識,以及智慧型手機中的臉部指紋辨識解鎖、影像轉文字翻譯、智慧語音助理…等。

在人工智慧領域中最重要也最適合作為入門的程式語言非Python莫屬。本書就以TensorFlow、Keras為基底,運用Python進行實作,深入人工智慧技術,掌握機器學習與深度學習的真正強大應用。

程式人、工程師挑戰人工智慧最佳學習地圖
由類神經網路基礎到AI應用實戰
訓練、模型、預測、辨識、分析與驗證
全面深入機器學習與深度學習技術核心

■打造專屬Python、TensorFlow與Keras最強開發環境。

■圖解簡化複雜難懂的類神經網路觀念,涵蓋多層感知器(MLP)、卷積神經網路(CNN)與循環神經網路(RNN)。

■整合最夯的人工智慧雲端開發平台:Google Colab,應用雲端提供的充沛資源,全面提升運算效能。

■加碼最新的機器學習雲端應用平台:Microsoft Azure,連結功能強大、方向多元的Web API,豐富專業應用領域。

■顛覆只重視理論或產生結果的傳統機器學習內容,實際挑戰從資料收集與準備、模型訓練與調整、檢測修正到結果產出的最完整機器學習實戰流程。

■全面深入不同應用面向:
印刷文字辨識、手寫文字辨識、遠端圖片分析、本機圖片分析、辨識圖片地標或名人、臉部辨識、人臉比對、語言識別、文字翻譯、黑白照片上色、人臉情緒偵測、圖片物件偵測、人工智慧製作縮圖、圖片場景偵測、汽車型號及年份偵測、自動標示物件、資料走勢預測…

■網羅國內外最具代表性案例:
手寫文字辨識、圖片分類、即時匯率分析、文字雲與文章自動摘要、YouTube影片加上字幕、股票走勢分析、臉部辨識登入系統、擷取車牌、即時車牌影像辨識…等,進行有系統而扎實的真正演練。

■一次領略機器學習與深度學習的重要關鍵話題:
TensorFlow、Keras、Anaconda、Spyder、Jupyter Notebook、CUDA、cuDNN、MLP、Mnist、CNN、RNN、LSTM、Colab、Azure、Cognitive Services、Computer Vision、Face API、Language API、Text Analytics、Translator Text、Algorithmia、Jieba、wordcloud、SpeechRecognition、Aegisub、twstock、plotly、SQLite、SQLite Database Browser、Haar…

■針對專案實戰提供關鍵影音輔助教學,加速學習效率。

超值學習資源:120分鐘關鍵影音教學/範例程式檔/一探演算法雲端寶庫:Algorithmia教學PDF

【感謝讀者好評】

“很棒的書,我完全沒有深度學習和機器學習的任何知識,只有Python的基礎知識,也覺得書中的說明很快就讓我了解了。”
--abedul

“此書把繁雜的演算法理論以圖像化的方式呈現,可以幫助我們快速了解深度學習的核心概念,讓學習門檻降低許多,而且還提供了很多實用的實作範例,是一本入門深度學習的好書…”
--Victor

★目錄:

01 打造開發環境: TensorFlow和Keras

1.1 人工智慧、機器學習和深度學習的關係
1.2 什麼是機器學習?
1.3 什麼是深度學習?
1.4 TensorFlow與Keras
1.5 建置Anaconda開發環境
1.6 TensorFlow及Keras安裝
1.7 設定TensorFlow的GPU支援

02 機器學習起點:多層感知器(MLP)

2.1 認識多層感知器(MLP)
2.2 認識Mnist資料集
2.3 多層感知器模型資料預處理
2.4 多層感知器實戰:Mnist手寫數字圖片辨識
2.5 模型儲存和載入
2.6 模型權重的儲存和載入
2.7 建立多個隱藏層

03 影像識別神器:卷積神經網路(CNN)

3.1 卷積神經網路(CNN)基本結構
3.2 認識Kaggle Cats and Dogs Dataset資料集
3.3 卷積神經網路實戰:圖片辨識
3.4 模型權重的儲存和載入

04 自然語言處理利器:循環神經網路(RNN)

4.1 循環神經網路(RNN)基本結構
4.2 認識外幣匯率查詢資料集
4.3 循環神經網路外幣匯率預測
4.4 模型權重的儲存和載入
4.5 長短期記憶(LSTM)

05 機器學習雲端開發工具:Google Colab

5.1 Colab:功能強大的虛擬機器
5.2 在Colab中進行機器學習

06 體驗機器學習雲端平台:Microsoft Azure

6.1 專題方向
6.2 電腦視覺資源
6.3 臉部辨識資源
6.4 文字語言翻譯資源

07 臉部辨識登入系統:Azure臉部辨識應用

7.1 專題方向
7.2 Azure臉部客戶端程式庫
7.3 刷臉登入系統

08 自然語言處理:文字雲與文章自動摘要

8.1 專題方向
8.2 Jieba模組
8.3 文字雲
8.4 文章自動摘要

09 語音辨識應用:YouTube影片加上字幕

9.1 專題方向
9.2 語音辨識
9.3 影片字幕製作

10 投資預測實證:股票走勢分析

10.1 專題方向
10.2 台灣股市資訊模組
10.3 股票分析
10.4 股票預測

11 自動標示物件:用Haar特徵分類器擷取車牌

11.1 專題方向
11.2 準備訓練Haar特徵分類器資料
11.3 建立車牌號碼Haar特徵分類器模型
11.4 使用Haar特徵分類器模型

12 無所遁形術:即時車牌影像辨識

12.1 專題方向
12.2 車牌號碼機器學習訓練資料
12.3 建立車牌辨識系統