
0人評分過此書
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
-
Chapter01 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?
-
1.2.1 認識機器學習
-
1.2.2 機器學習的訓練資料
-
1.2.3 機器學習的訓練和預測
-
-
1.3 什麼是深度學習?
-
1.4 TensorFlow與Keras
-
1.4.1 認識TensorFlow
-
1.4.2 認識Keras
-
-
1.5 建置Anaconda開發環境
-
1.5.1 安裝Anaconda
-
1.5.2 Anaconda Prompt管理模組
-
-
1.6 TensorFlow及Keras安裝
-
1.7 設定TensorFlow的GPU支援
-
1.7.1 查看顯示卡是否支援CUDA
-
1.7.2 下載和安裝cuDNN Toolkit
-
1.7.3 下載和安裝cuDNN
-
1.7.4 測試TensorFlow GPU是否安裝成功
-
-
-
Chapter02 機器學習起點:多層感知器(MLP)
-
2.1 認識多層感知器(MLP)
-
2.1.1 認識神經網路
-
2.1.2 多層感知器的運作
-
-
2.2 認識Mnist資料集
-
2.2.1 下載與讀取Mnist資料集
-
2.2.2 查看訓練資料
-
2.2.3 查看多筆訓練資料
-
-
2.3 多層感知器模型資料預處理
-
2.3.1 Feature資料預處理
-
2.3.2 Label資料預處理
-
-
2.4 多層感知器實戰:Mnist手寫數字圖片辨識
-
2.4.1 多層感知器訓練和預測
-
2.4.2 多層感知器手寫數字圖片辨識流程
-
2.4.3 資料預處理
-
2.4.4 建立多層感知器模型
-
2.4.5 訓練模型
-
2.4.6 評估準確率
-
2.4.7 進行預測
-
2.4.8 完整程式碼
-
-
2.5 模型儲存和載入
-
2.5.1 模型儲存
-
2.5.2 載入模型
-
2.5.3 預測自己的數字圖片
-
-
2.6 模型權重的儲存和載入
-
2.7 建立多個隱藏層
-
2.7.1 過渡擬合(Overfitting)
-
2.7.2 加入拋棄層(DropOut)避免過渡擬合
-
2.7.3 建立含有多個隱藏層的多層感知器
-
-
-
Chapter03 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
-
3.1.1 卷積神經網路結構圖
-
3.1.2 卷積層(Convolution Layer)
-
3.1.3 池化層(Pooling Layer)
-
3.1.4 第2次的卷積、池化處理
-
-
3.2 認識Kaggle Cats and Dogs Dataset資料集
-
3.2.1 下載與讀取Kaggle Cats and Dogs Dataset資料集
-
3.2.2 建立訓練資料和測試資料
-
-
3.3 卷積神經網路實戰:圖片辨識
-
3.3.1 Kagglecatsanddogs圖片辨識卷積神經網路模型
-
3.3.2 卷積神經網路貓狗圖片辨識流程
-
3.3.3 資料預處理
-
3.3.4 建立卷積神經網路模型
-
3.3.5 觀察模型
-
3.3.6 訓練模型
-
3.3.7 評估準確率
-
3.3.8 進行預測
-
3.3.9 完整程式碼
-
-
3.4 模型權重的儲存和載入
-
3.4.1 模型儲存
-
3.4.2 載入模型
-
3.4.3 預測自己下載的貓狗圖片
-
-
-
Chapter04 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
-
4.1.1 循環神經網路結構圖
-
4.1.2 循環神經網路層(RNN Layer)
-
-
4.2 認識外幣匯率查詢資料集
-
4.2.1 下載外幣匯率查詢資料集
-
4.2.2 繪製外幣匯率趨勢圖
-
-
4.3 循環神經網路外幣匯率預測
-
4.3.1 外幣匯率預測循環神經網路模型
-
4.3.2 循環神經網路外幣匯率預測流程
-
4.3.3 資料預處理
-
4.3.4 建立循環神經網路模型
-
4.3.5 訓練模型
-
4.3.6 完整程式碼
-
-
4.4 模型權重的儲存和載入
-
4.4.1 模型儲存
-
4.4.2 載入模型
-
-
4.5 長短期記憶(LSTM)
-
4.5.1 建立LSTM循環神經網路
-
4.5.2 以LSTM訓練模型檔預測匯率
-
-
-
Chapter05 機器學習雲端開發工具:Google Colab
-
5.1 Colab:功能強大的虛擬機器
-
5.1.1 Colab介紹
-
5.1.2 Colab建立記事本
-
5.1.3 Jupyter Notebook基本操作
-
5.1.4 Colab連接Goole Drive雲端硬碟
-
5.1.5 執行Linux命令
-
-
5.2 在Colab中進行機器學習
-
5.2.1 CIFAR-10資料集簡介
-
5.2.2 Colab中訓練模型
-
5.2.3 Colab中使用模型
-
-
-
Chapter06 體驗機器學習雲端平臺:Microsoft Azure
-
6.1 專題方向
-
6.2 電腦視覺資源
-
6.2.1 建立Azure帳號
-
6.2.2 建立電腦視覺資源
-
6.2.3 使用Azure API程式基本語法
-
6.2.4 辨識印刷體文字
-
6.2.5 辨識手寫文字
-
6.2.6 分析遠端圖片
-
6.2.7 分析本機圖片
-
6.2.8 辨識圖片地標或名人
-
-
6.3 臉部辨識資源
-
6.3.1 臉部偵測
-
6.3.2 人臉比對
-
-
6.4 文字語言翻譯資源
-
6.4.1 語言識別
-
6.4.2 文字翻譯
-
-
-
Chapter07 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
-
7.2.1 人臉偵測
-
7.2.2 人臉比對
-
7.2.3 尋找類似臉部
-
7.2.4 建立並訓練人員群組
-
7.2.5 使用人員群組
-
-
7.3 刷臉登入系統
-
7.3.1 擷取攝影機影像
-
7.3.2 申請Imgur網站App Token
-
7.3.3 上傳圖片到Imgur
-
7.3.4 刷臉登入程式
-
-
-
Chapter08 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
-
8.2.1 Jieba模組基本用法
-
8.2.2 更改詞庫
-
8.2.3 加入停用詞
-
-
8.3 文字雲
-
8.3.1 wordcloud模組
-
8.3.2 中時新聞網文字雲
-
-
8.4 文章自動摘要
-
8.4.1 文章自動摘要原理
-
8.4.2 文章自動摘要範例
-
8.4.3 文章自動摘要應用:中時新聞網新聞摘要
-
-
-
Chapter09 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
-
9.2.1 SpeechRecognition模組
-
9.2.2 由YouTube取得語音檔
-
9.2.3 建立影片文字檔
-
-
9.3 影片字幕製作軟體:Aegisub
-
9.3.1 安裝Aegisub
-
9.3.2 製作字幕
-
9.3.3 字幕預覽、修改及存檔
-
9.3.4 上傳字幕檔到YouTube
-
-
-
Chapter10 投資預測實證:股票走勢分析
-
10.1 專題方向
-
10.2 臺灣股市資訊模組
-
10.2.1 查詢歷史股票資料
-
10.2.2 查詢股票即時交易資訊
-
-
10.3 股票分析
-
10.3.1 單月個股統計圖
-
10.3.2 全年個股統計圖
-
10.3.3 以plotly繪製全年個股統計圖
-
-
10.4 股票預測
-
-
Chapter11 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
-
11.2.1 認識Haar特徵分類器
-
11.2.2 處理正樣本及實測圖片
-
11.2.3 處理負樣本圖片
-
-
11.3 建立車牌號碼Haar特徵分類器模型
-
11.3.1 處理Haar特徵分類器模型的檔案結構
-
11.3.2 加入正、負樣本
-
11.3.3 正樣本標記資料
-
11.3.4 顯示及修改框選區域
-
11.3.5 調整框選區域寬高比
-
11.3.6 增加車牌數量
-
11.3.7 訓練Haar特徵分類器
-
-
11.4 使用Haar特徵分類器模型
-
11.4.1 Haar特徵分類器模型語法
-
11.4.2 車牌號碼偵測
-
-
-
Chapter12 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
-
12.2.1 原始圖片轉換尺寸
-
12.2.2 擷取車牌號碼圖形
-
12.2.3 以輪廓偵測分割車牌號碼文字
-
12.2.4 建立機器學習分類文字庫
-
12.2.5 擴充機器學習分類文字庫
-
-
12.3 建立車牌辨識系統
-
12.3.1 建立車牌號碼辨識模型
-
12.3.2 使用車牌號碼模型
-
12.3.3 車牌辨識系統
-
12.3.4 批次辨識車牌
-
-
- 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