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
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
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asnd 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askw 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
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asnd 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askw 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
鄧文淵 總監製/文淵閣工作室 編著
一個致力於資訊圖書創作二十餘載的工作團隊，擅長用輕鬆詼諧的筆觸，深入淺出介紹難懂的 IT 技術，並以範例帶領讀者學習電腦應用的大小事。
我們不賣弄深奧的專有名辭，奮力堅持吸收新知的態度，誠懇地與讀者分享在學習路上的點點滴滴，讓軟體成為每個人改善生活應用、提昇工作效率的工具。
舉凡程式開發、文書處理、美工動畫、攝影修片、網頁製作，都是我們專注的重點，而不同領域有各自專業的作者組成，以進行書籍的規劃與編寫。一直以來，感謝許多讀者與學校老師的支持，選定為自修用書或授課教材。衷心期待能盡我們的心力，幫助每一位讀者燃燒心中的小宇宙，用學習的成果在自己的領域裡發光發熱！
我們期待自己能在每一本創作中注入快快樂樂的心情來分享， 也期待讀者能在這樣的氛圍下快快樂樂的學習。
官方網站：www.e-happy.com.tw
FB粉絲團：www.facebook.com/ehappytw
一個致力於資訊圖書創作二十餘載的工作團隊，擅長用輕鬆詼諧的筆觸，深入淺出介紹難懂的 IT 技術，並以範例帶領讀者學習電腦應用的大小事。
我們不賣弄深奧的專有名辭，奮力堅持吸收新知的態度，誠懇地與讀者分享在學習路上的點點滴滴，讓軟體成為每個人改善生活應用、提昇工作效率的工具。
舉凡程式開發、文書處理、美工動畫、攝影修片、網頁製作，都是我們專注的重點，而不同領域有各自專業的作者組成，以進行書籍的規劃與編寫。一直以來，感謝許多讀者與學校老師的支持，選定為自修用書或授課教材。衷心期待能盡我們的心力，幫助每一位讀者燃燒心中的小宇宙，用學習的成果在自己的領域裡發光發熱！
我們期待自己能在每一本創作中注入快快樂樂的心情來分享， 也期待讀者能在這樣的氛圍下快快樂樂的學習。
官方網站：www.e-happy.com.tw
FB粉絲團：www.facebook.com/ehappytw
Details
Review
0 ratings
1 stars
0%
2 stars
0%
3 stars
0%
4 stars
0%
5 stars
0%
Write a review
Product review was disabled
