Python機器學習與深度學習特訓班：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) ( 繁體 字) |
| 作者：鄧文淵 總監製/文淵閣工作室 編著 | 類別：1. -> 程式設計 -> Python
2. -> 程式設計 -> 機器學習
3. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：碁峰出版 |  3dWoo書號： 51190
詢問書籍請說出此書號！【缺書】
NT定價： 520 元
折扣價： 390 元
|
| 出版日：5/27/2019 |
| 頁數： |
| 光碟數：1 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 繁體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9789865021498 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：DVD*1光碟內容：120分鐘關鍵影音教學/範例程式檔
國內外最具代表性案例兩大雲端應用、15項分類實例、9大專題實戰自然語言、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。在資料科學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領域技術核心■打造專屬Python、TensorFlow與Keras最強開發環境，加碼體驗機器學習雲端平臺Microsoft Azure與演算法平臺Algorithmia。■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)。■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、手寫文字識別、遠端圖片分析、本機圖片分析、辨識圖片地標或名人、臉部偵測、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、汽車型號與年份偵測、自動標示物件、資料走勢預測…■網羅國內外最具代表性案例：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、Azure、Cognitive Services、Computer Vision、Face API、Language API、Text Analytics、Translator Text、Algorithmia、Jieba、wordcloud、SpeechRecognition、Aegisub、twstock、plotly、face++、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。書附超值DVD：120分鐘關鍵影音教學/範例程式檔 |
目錄：01 打造最強環境：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？
1.5 建置Python的開發環境
1.6 建置開發TenserFlow和Keras的虛擬環境
1.7 Python編輯器的使用
1.8 安裝GPU版的TensorFlow和Keras
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
2.4 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 卷積神經網路實戰：Mnist手寫數字圖片辨識
3.3 模型權重的儲存和載入
04 語言文字處理利器：循環神經網路(RNN)
4.1 循環神經網路(RNN)基本結構
4.2 循環神經網路實戰：Mnist手寫數字圖片辨識
4.3 模型權重的儲存和載入
4.4 長短期記憶(LSTM)
05 體驗機器學習雲端平臺：Microsoft Azure
5.1 專題方向
5.2 電腦視覺資源
5.3 臉部辨識資源
5.4 文字語言翻譯資源
06 一探演算法雲端寶庫：Algorithmia
6.1 專題方向
6.2 認識Algorithmia平臺
6.3 使用Algorithmia演算法
07 自然語言處理：文字雲與文章自動摘要
7.1 專題方向
7.2 Jieba模組
7.3 文字雲
7.4 文章自動摘要
08 語音辨識應用：YouTube影片加上字幕
8.1 專題方向
8.2 語音辨識
8.3 影片字幕製作
09 投資預測實證：股票走勢分析
9.1 專題方向
9.2 臺灣股市資訊模組
9.3 股票分析
9.4 股票預測
10 最狂刷臉時代：臉部辨識登入系統
10.1 專題方向
10.2 face++網站及SQLite資料庫
10.3 本機版刷臉登入系統
10.4 雲端版刷臉登入系統
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 |
| 序： |
