0人評分過此書
TensorFlow 2.x人工智慧、機器學習超炫範例200+
內容簡介:【嚴選經典】美國矽谷創業家/全球科技大廠與業界指定工研院顧問講師親自錄製231支影音教學影片，如臨現場授課！【聯合推薦】嘉義基督教醫院兒童醫學部主任、嘉基創新育成中心主任周信旭醫師Eco-City智慧生活科技區域整合中心執行長、國立交通大學土木工程系曾仁杰教授台北榮民總醫院神經外科、國立陽明大學研究所兼任助理教授關艾琛醫師本書為作者柯博文老師繼《Python+TensorFlow人工智慧、機器學習、大數據｜超炫專案與完全實戰》規劃的進階書籍，歷經業界頂尖的工程師學員多次考驗，實戰多年後才匯集成冊。包含Python、機器學習、人工智慧、TensorFlow、Keras、OpenCV等相關API的使用方法，且每個範例都是實戰程式。◎提供豐富的線上下載：204個範例程式、231支影音教學影片。◎介紹人工智慧的開發技巧，並且近乎100%準確度。◎大量使用業界數據、OpenData開放資料進行分析和預測，上百萬種數據讓你應用。◎以Python撰寫類神經的數學公式，讓讀者理解人工智慧演算法的來龍去脈，進而調整數學式讓準確度更好。◎範例豐富多元，將人工智慧運用在農業、氣象預報、手寫OCR、圖片學習等人工智慧實戰。◎結合Tensorflow.Keras和OpenCV自行產生數據庫，使用WebCam即時辨識圖片，並且實際應用在專案中。◎使用最新高難度的VGG16、VGG19、ResNet50、Xception、Inception、DenseNet121、FastR-CNN等演算法，並訓練自己的物件，使用COCO和ImageNet辨識近萬種物體。
-
1 Python程式語言
-
1.1 Python程式語言的介紹
-
1.2 Python歷史
-
1.3 Python版本
-
-
2 Python程式語言安裝
-
2.1 在Windows作業系統安裝Python
-
2.2 在Windows測試與執行Python
-
2.3 在Mac作業系統安裝Python
-
2.4 在Mac測試與執行Python
-
2.5 在樹莓派和Linux安裝Python
-
2.6 在Linux或樹莓派測試與執行Python
-
-
3 開發程式和工具
-
3.1 我的第一個Python程式－Windows版
-
3.2 我的第一個Python程式－Mac、Linux和樹莓派版
-
3.3 開發和除錯工具－PyCharm下載和安裝
-
3.4 PyCharm工具介紹
-
3.5 建立專案
-
3.6 除錯
-
3.7 安裝其他的Packages函式庫
-
3.8 安裝Anaconda
-
3.9 使用Anaconda
-
3.10 Pip安裝套件
-
3.11 本書需要安裝的第三方函式庫列表
-
-
4 TensorFlow介紹和安裝
-
4.1 tensorflow介紹
-
4.2 安裝TensorFlow
-
4.3 TensorFlow測試
-
4.4 Tensorflow GPU版
-
-
5 TensorFlow的類別神經網路－MLP快速上手
-
5.1 人工智能開發的步驟
-
5.2 產生訓練資料
-
5.3 建立模型
-
5.4 編譯
-
5.5 訓練
-
5.6 評估正確率
-
5.7 預測
-
-
6 TensorFlow改善類神經模型MLP的正確率
-
6.1 模型model不同的寫法
-
6.2 TensorFlow與Keras函式程式庫的關係和差異
-
6.3 標籤處理One-hot Encoding單熱編碼
-
6.4 處理多個特徵值
-
6.5 改善預測結果－深度學習訓練次數epochs
-
6.6 改善預測結果－深度學習訓練每次訓練的資料量batch_size
-
6.7 改善預測結果－增加神經元
-
6.8 改善預測結果－增加隱藏層
-
6.9 改善訓練結果－增加訓練資料集
-
6.10 如何達到預測100％正確？
-
-
7 TensorFlow神經網路模型實戰案例
-
7.1 鳶尾花的種類判斷
-
7.2 鳶尾花植物辨識資料程式庫
-
7.3 使用Python處理Excel檔案
-
7.4 鳶尾花資料下載和儲存到Excel 檔案
-
7.5 多層感知器模型MLP （multilayer perceptron）
-
7.6 使用TensorFlow.keras建立模型
-
7.7 實戰案例－澳洲Canberra坎培拉天氣預測
-
7.8 Excel資料的讀取和儲存
-
7.9 讀取、處理和儲存CSV
-
7.10 處理天氣記錄的Excel資料
-
7.11 使用神經網路MLP預測天氣
-
-
8 TensorFlow神經網路－神經元
-
8.1 神經網路圖形工具介紹－TensorFlow Playground
-
8.2 神經網路圖形工具介紹－對應的Tensorflow資料
-
8.3 神經網路圖形工具介紹－對應的Tensorflow程式
-
8.4 調整隱藏層和神經元
-
8.5 實戰－用最少的隱藏層和神經元區分資料
-
8.6 透過Tensorflow計算出weight權重和bias偏移量
-
8.7 神經元的權重和偏移量計算式
-
8.8 用TensorFlow畫出神經元的weight權重和bias偏移量
-
8.9 binary_crossentropy二元分類法的處理
-
8.10 自訂資料驗證regression迴歸和神經元的關係
-
8.11 激勵函式ReLU、sigmoid和tanh
-
8.12 多個神經元
-
-
9 MLP神經網路－數學理論
-
9.1 激勵函式sigmoid的數學理論
-
9.2 激勵函式Tanh的數學理論
-
9.3 激勵函式Relu的數學理論
-
9.4 激勵函式的用意
-
9.5 多層感知器（Multilayer Perceptron，MLP）計算公式
-
9.6 二層神經元的數學計算
-
-
10 TensorFlow神經網路隱藏層
-
10.1 隱藏層Hidden Layer的目的
-
10.2 隱藏層Hidden Layer的數學
-
10.3 MLP例子XOR problem
-
10.4 空間轉換
-
10.5 再次切割
-
10.6 隱藏層Hidden Layer的用意
-
-
11 TensorFlow最短路徑演算法
-
11.1 圖形顯示訓練過程歷史
-
11.2 深度學習最佳化－最短路徑演算法
-
11.3 最佳化－Adam演算法
-
11.4 最佳化－SGD演算法
-
11.5 最佳化－RMSprop演算法
-
11.6 最佳化－Adagrad、Adadelta、Nadam、Momentum演算法
-
11.7 最佳化－演算法如何挑選？
-
11.8 特徵值數據標準化
-
11.9 最佳化－Learning rate學習效率
-
11.10 編譯模型的metrics指標
-
-
12 TensorFlow存取模型和訓練結果
-
12.1 TensorBoard的使用
-
12.2 儲存檔案模型和訓練後的結果
-
12.3 讀取使用訓練模型和訓練後的結果
-
12.4 透過Callback每次訓練就儲存權重一次
-
12.5 自動判斷是否需要訓練模型
-
12.6 分批繼續訓練
-
-
13 TensorFlow神經網路MLP－迴歸
-
13.1 TensorFlow神經網路MLP－迴歸
-
13.2 類神經迴歸的metrics指標
-
13.3 單次梯度更新train_on_batch
-
13.4 損失函式Loss vs代價函式Cost
-
13.5 波士頓房屋價格的數據庫分析
-
13.6 波士頓房屋價格資料下載儲存到Excel和CSV
-
13.7 波士頓房屋價格的數據庫分析－特徵關係
-
13.8 迴歸類神經實戰案例－波士頓房屋價格的預測
-
13.9 調整神經網路MLP迴歸更加準確
-
13.10 MLP迴歸分批繼續訓練
-
13.11 波士頓房屋價格的預測單次梯度更新
-
-
14 實戰圖形辨識
-
14.1 圖形辨識原理
-
14.2 將圖片轉換成特徵值
-
14.3 多層感知器MLP實戰圖形辨識
-
14.4 實戰手寫圖片MNIST
-
14.5 MNIST每一筆的Image資料內容
-
14.6 圖形顯示MNIST內的資料
-
14.7 顯示多張圖片
-
14.8 圖形文字的辨識原理
-
14.9 圖形資料轉換成MLP訓練資料
-
14.10 使用MLP來辨識圖片和文字
-
14.11 實戰－服飾的圖形辨識Fashion-MNIST
-
14.12 圖形化顯示Fashion_MNIST服飾資料
-
14.13 使用MLP來辨識衣服、褲子、鞋子
-
-
15 卷積神經網路CNN
-
15.1 什麼是卷積類神經（CNN）？
-
15.2 CNN和MLP的差異
-
15.3 CNN快速上手
-
15.4 CNN做手寫圖片辨識－特徵值的處理
-
15.5 CNN做手寫圖片辨識－模型
-
15.6 CNN做手寫圖片辨識－訓練和預測
-
15.7 CNN做手寫圖片辨識－減少訓練時間
-
15.8 CNN提高辨識率
-
15.9 實戰CNN判別服飾種類
-
15.10 實戰CNN彩色圖片的辨識Cifar10飛機、車輛
-
15.11 實戰CNN辨識100種人物和物體的Cifar100
-
15.12 實戰Tensorflow datasets函式庫
-
15.13 實戰Tensorflow datasets函式庫Food101，101種食物辨識
-
-
16 OpenCV和TensorFlow卷積神經網路CNN即時辨識
-
16.1 OpenCV介紹和安裝架設
-
16.2 OpenCV顯示圖片
-
16.3 OpenCV攝影機
-
16.4 OpenCV儲存照片
-
16.5 實戰透過攝影機辨識的一個手寫數字
-
16.6 OpenCV手寫程式
-
16.7 即時手寫辨識APP
-
16.8 改善實際運用上的準確度
-
16.9 二值化
-
-
17 卷積神經網路原理
-
17.1 卷積類神經（CNN）Conv2D原理和數學
-
17.2 卷積類神經Conv2D圖片每個點的處理
-
17.3 卷積類神經Conv2D邊緣的處理
-
17.4 卷積類神經圖形化輸出
-
17.5 卷積類神經kernel_size和padding的差異
-
17.6 卷積類神經filter濾鏡數量的意義
-
17.7 卷積類神經activation激勵函式的意義
-
17.8 卷積類神經多層Conv2D
-
17.9 卷積類神經多層池化層Max Pooling
-
17.10 卷積類神經多層池化層Average Pooling
-
-
18 卷積神經網路準確率技巧
-
18.1 ImageDataGenerator產生更多訓練資料
-
18.2 width_shift_range水平移動
-
18.3 rotation_range旋轉圖片
-
18.4 zoom_range縮放圖片
-
18.5 brightness_range明暗度
-
18.6 height_shift_range上下、fill_mode空白處理、cval指定空白顏色
-
18.7 將ImageDataGenerator用在MNIST數據
-
18.8 二值化和更多神經元
-
18.9 MNIST手寫預測
-
18.10 錯誤率列表Confusion Matrix混淆矩陣
-
-
19 圖學網路應用模組
-
19.1 圖學網路應用模組
-
19.2 使用VGG16預測一千種物件
-
19.3 自製VGG16模型
-
19.4 將模型儲存成圖片
-
19.5 使用VGG16模型做cifar10彩色數據 訓練
-
19.6 使用VGG16模型做MNIST_fashion灰階數據訓練
-
19.7 使用攝影機和VGG16模型即時辨識一萬種物件
-
19.8 圖學網路應用模組VGG19
-
19.9 圖學網路應用模組ResNet50
-
19.10 圖學網路應用模組Xception
-
19.11 圖學網路應用模組InceptionV3
-
19.12 圖學網路應用模組InceptionResNetV2
-
19.13 圖學網路應用模組NASNetLarge
-
19.14 圖學網路應用模組DenseNet121
-
-
20 實戰多影像辨識
-
20.1 產生或設計自己的辨識圖片
-
20.2 建立自己的訓練圖庫
-
20.3 訓練自己的圖庫
-
20.4 結合攝影機即時判斷自己訓練的圖庫
-
20.5 使用VGG16來訓練和測試自己的圖庫
-
20.6 OpenCV找出多個物體
-
20.7 多物件的預測
-
20.8 抓取攝影機WebCam做多物件的預測
-
20.9 即時辨識身分證上的數字
-
-
21 多影像辨識技術
-
21.1 Object detection多對象檢測和多影像辨識技術
-
21.2 MASK R-CNN介紹
-
21.3 MASK R-CNN使用
-
21.4 取得預測率和物件位置
-
21.5 MASK R-CNN結合OpenCV和攝影機即時辨識
-
21.6 透過MASK R-CNN判斷影片上的多物件和儲存影片
-
21.7 準備訓練自己的MASK R-CNN權重檔
-
21.8 訓練自己的MASK R-CNN權重檔
-
21.9 測試自己訓練的物體
-
21.10 測試自己訓練的物體程式說明
-
21.11 使用MASK R-CNN辨識多個氣球的位置
-
21.12 TensorFlow 1.14轉為TensorFlow 2.1版本
-
- 出版地 ： 臺灣
- 語言 ： 繁體中文
評分與評論
請登入後再留言與評分
PDF
PDF
EPUB
EPUB
PDF
