Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 F9379 價格比較,價格查詢,歷史價格詳細信息

Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 F9379 價格比較,價格查詢,價格歷史信息

Name: Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 F9379
SKU: 195010028-3520455942

Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 F9379 規格

Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 F9379 最新價格

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製鏈接

Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 F9379 歷史價格(單位:新台幣)

Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 F9379 描述

書籍類別：程式設計/程式設計/資料庫作者：Keras 原創者 François Chollet 著、葉欣睿譯、施威銘研究室監修 ISBN：9789863125501 建議售價：1000 元色彩：局彩本書相關資源網頁： http://www.flag.com.tw/bk/t/f9379 內容介紹：用 Python + Keras 實踐深度學習, 解開神經網路模型的黑盒子在高階函式庫 Keras 的幫助下, 用 6 行程式就可寫一隻深度學習神經網路的程式, 建構深度學習模型就像玩樂高積木一樣, 可以輕易將各種神經網路組合在一起, 而每一種模型可用來解決不同的問題。正宗 Keras 大神著作，正體中文版重磅登場本書為 Keras 之父 François Chollet 親自撰寫, 詳細解說神經網路每一層的架構與原理, 並不時提供個人經驗累積而成的真知灼見, 帶領讀者熟悉機器學習的標準工作流程, 並了解如何使用 Keras 解決從電腦視覺到自然語言處理的各種實務問題, 例如圖像分類、時間序列預測、情感分析、圖像和文字資料的生成...等, 最有效率實作出可用的模型, 絕對是機器學習、資料科學、人工智慧從業人員必讀的經典之作。最後引述 François Chollet 在書中所說：深度學習並不難, 只是又多又雜, 這本書就是希望能夠提供更多人瞭解深度學習的第一步。這不表示我們會把複雜的內容簡化 (因為這些都是深度學習所必需的), 而是希望各位不要擔心深度學習太過於困難而裹足不前。希望你能夠發現本書的價值, 並跟著本書逐步建構屬於你的人工智慧應用程式。本書特色：本書由施威銘研究室監修, 書中會針對原書所提及的背景知識做補充, 所有程式均經過實際執行測試, 並適當添加註解與程式碼, 幫助讀者能更加理解程式內容。 ■ CNN – 用於電腦視覺的深度學習 ■ RNN – 用於文字與序列資料的深度學習 ■ LSTM、VAE 與 DeepDream ■ 神經風格轉換 ■ GAN 生成對抗神經網路 ■ 機器學習與神經網路 ■ 張量 Tensor 與張量運算 ■ Keras API、callbacks 與 TensorBoard ■ 超參數優化與模型集成本書相關資源網頁如下, 請登錄下載範例程式及 Bonus： http://www.flag.com.tw/bk/t/f9379 也歡迎加入本書社群, 和技術者們直接對話！「從做中學 Learning by doing」粉絲專頁 https://www.facebook.com/flaglearningbydoing/ 本書目錄： Ch01何謂深度學習？ 1-1 人工智慧、機器學習與深度學習 1-2 機器學習的基礎技術：深度學習之前 1-3 為什麼是深度學習？為什麼是現在？ Ch02 開始之前：了解神經網路的數學概念 2-1 初探神經網路 2-2 神經網路的資料表示法：張量 Tensor 2-3 神經網路的工具：張量運算 2-4 神經網路的引擎：以梯度為基礎的最佳化 2-5 回顧我們的第一個例子 Ch03 開始使用神經網路 3-1 神經網路的核心元件 3-2 Keras 簡介 3-3 建立一個深度學習的作業環境 3-4 二元分類範例：將電影評論分類為正評或負評 3-5 分類數位新聞專欄：多類別分類範例 3-6 預測房價：迴歸範例 Ch04 機器學習的基礎知識 4-1 機器學習的四個分支 4-2 評估機器學習模型 4-3 資料預處理 (preprocessing)、特徵工程 (feature engineering) 和特徵學習 (feature learning) 4-4 過度配適 (overfitting) 和低度配適 (underfitting) 4-5 機器學習的通用工作流程 Ch05 深度學習實務電腦視覺的深度學習 5-1 卷積神經網路 CNN 5-2 以少量資料集從頭訓練一個卷積神經網路 5-3 使用預先訓練的卷積神經網路 5-4 視覺化呈現卷積神經網路學習的內容 Ch06 應用於文字資料與序列資料的深度學習 6-1 文字資料處理 6-2 了解循環神經網路 6-3 循環神經網路的進階使用方法 6-4 使用卷積神經網路進行序列資料處理 Ch07 進階深度學習的最佳實作方式 7-1 超越序列式 (Sequential) 模型：Keras 函數式 API 7-2 使用 Keras 回呼 (callbacks) 和 TensorBoard 檢查和監控深度學習模型 7-3 模型成效最大化 Ch08 生成式深度學習 8-1 使用 LSTM 產生文字資料 8-2 DeepDream 8-3 神經風格轉換 8-4 使用變分自編碼器 Variational Autoencoders 生成圖像 8-5 生成對抗神經網路簡介 Generative Adversarial Network Ch09 結語 9-1 回顧關鍵概念 9-2 深度學習的侷限性 9-3 深度學習的未來 9-4 在快速發展的領域保持最新狀態 9-5 後語附錄 A 在 Ubuntu 上安裝 Keras 及相關套件附錄 B 在 EC2 GPU 虛擬主機上使用 Jupyter Notebook 開發機器學習專案