Deep learning 深度學習必讀：Keras 大神帶你用 Python 實作-FindBook 找書網 ISBN:9789863125501

型式

價格

供應商

所屬目錄

Computers & Technology

Computers & Technology

內容簡介

　　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。

　　■ 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：
　　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
　　(www.facebook.com/flaglearningbydoing/)

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。

作者介紹

作者簡介

François Chollet

　　François Chollet 為 Keras 之父, 是 Keras 函式庫的創始者, 也是 TensorFlow 機器學習框架的貢獻者, 目前任職於 Google 深度學習小組, 公認為全球 AI 人工智慧領域的權威之一, 也經常在社群媒體針對 AI 或機器學習技術發表前瞻性的看法。

　　作者同時也是一名知名學者, 主要研究方向為電腦視覺和機器學習在正規推理中的應用, 其論文時常發表於該領域的主要學術會議上, 包括電腦視覺和模式識別會議(Conference on Computer Vision and Pattern Recognition, CVPR)、神經資訊處理系統研討會(Conference and Workshop on Neural Information Processing System, NIPS)、國際學習表示法會議(International Conference on Learning Representations, ICLR)，與其他重要學術會議上。

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

看更多

詳細資料

ISBN：9789863125501
規格：平裝 / 504頁 / 18.3 x 23.5 x 3 cm / 普通級 / 部份全彩 / 初版
出版地：台灣

章節編排合理，內容淺顯易懂，還有實作程式，看完後收穫滿滿。這本書對我來說，已經成為了我生活的一部分。想必大家都能了解這本書的重要性。其實，若思緒夠清晰，那麼這本書也就不那麼複雜了。

寫的不怎麼樣的書，內容雜亂無章，東扯一點西補一塊，導致整個章節扯來扯去讓人摸不著頭腦，補充的東西重要就算了，有些東西根本無關緊要，反而打亂了原本閱讀的節奏整體閱讀的感覺非常差，可習讀了一陣子了才覺得是本爛書，已經過了退貨期

附錄A的環境設置很糟糕，小編推薦使用anaconda，也不說一下安裝後如何使用，還不如不要推薦內容不夠新，我是用wsl2-ubuntu安裝，結果問題一堆，用雙系統還比較快 2021-09-27

我是閱讀英文版的書，英文版的書真的是一本神作，我來評論是為了跟大家介紹一個教授所製作的一系列這本書的影片，內容講解的非常非常詳細，適合怕code看不懂或是怕觀念不夠清楚的人去看，youtube搜尋Chenghsi Hsieh，在他的影片清單中就看的到了，質量非常好的影片值得更多人知道，也不應該只有現在那少少的觀看次數。

機器學習領域的研究者應具備自主學習能力，這是一本適合入門研究者參考的資料來源之一。建議有閱讀障礙、太認真看待註解、評論沒建設性的酸民不要買。

小編賣弄式的自己為好笑的評論造成閱讀體驗中斷讀起來倍覺痛苦一段重要的描述讀下來還要開一個thread去filter小編廢文造成閱讀效率大打折扣連古人在註疏經典的時候都知道註疏要用小字體本文要用大字體以方便閱讀都9012年了還有這種荒唐排版出現害我還要一邊讀書一邊畫刪除線砍掉那些廢文可惜了一本經典建議購買簡體版有這種品質顯然責任編輯也是有問題的以後不會買這間出版社的書

看到了下面的差評特地先去書局翻了一下還在看，先說一下比起簡体版的優點 1. 專有名詞直接附有英文，這個習慣太重要了，不然要Google還要查用什麼字。 2. 小編有自己的補充，這個見仁見智，就是譯者做為讀者去看這個章節哪邊說明不夠。因為我前面是先看簡體版的，我覺得這點比簡体好，有補充，也不影響閱讀。我感覺譯者很用心，受了委屈了，謝謝

看了這麼多本外文書的中文版，就以這本說的最詳細，不只翻譯都看得懂，有圖案線條輔助是在幹嘛，還有編著的註解，都對我在理解程式碼上起了非常大的作用。如果還沒有KERAS入門書的同伴，我一定會推這一本給它們看！

如果「TensorFlow+Keras深度學習人工智慧實務應用」是打開大門讓讀者走進Keras的玄關，那「Deep learning 深度學習必讀：Keras 大神帶你用 Python 實作」就是邀請我們走到Keras的客廳好好地聊天喝茶。本書作者「François Chollet」是Keras的原創者，講解Keras又有誰能比他更權威？初章詳實說明「人工智慧」、「機器學習」以及「深度學習」三者之間的相交關係，替讀者建立扎實的基礎觀念。像是「深度學習」的「深度」指的是神經網路擁有「二層以上」的神經層，有別於最早的單層神經網路。還有數學「微分」當用在多維空間時便稱為「梯度」，而「梯度下降」是反向傳播(Backpropagation)算法的運作原理。第二章則用來補充神經網路中所需要瞭解的數學概念。對離開學校多年的社會人士而言，這樣的章節設計真的是有打到痛點。閱覽機器學習的書籍時，最怕看到一堆唸不出來的數學符號與公式，讓讀者不求甚解地翻完，卻沒學到有用的知識。相反地「Deep learning 深度學習必讀：Keras 大神帶你用 Python 實作」不羅列複雜的數學方程式，而是只補充對後續討論必須瞭解的數學算法(向量計算)。第三章一開始就讓讀者感受到Keras的威力，就像書封文案所說，透過短短六行程式碼，就已經建好一個能運作的神經網路模型。藉由作者巧思設計的範例，我們不費吹灰之力地使用了深度學習做出機器學習的典型應用「迴歸預測」。接下來花了一個章節針對機器學習開發時種種的基礎知識進行介紹。包括「如何評估模型」、「資料的預處理」、「特徵工程」以及「過度擬合」等。在原作者以及編譯的高水準創作下，以深入淺出的文字具體而微地把這些觀念說清楚，相較之下市面上不少「機器學習」的教學書藉，在觀念部份都是語意不清地讓讀者摸不著頭緒。五到八章算是第二篇的「深度學習應用範例」，恰好呈現「深度學習」與傳統「機器學習」最大的差異所在。我們可以說，這幾年的人工智慧浪潮，源自於神經網路在「視覺」、「圖像」以及「語音」辨識能力的驚人成績。而這些領域就是傳統「單純貝氏」、「支持向量機」和「隨機森林」等演算法表現不佳的領域。第五章的圖像處理、第六章的文字序列資料以及第八章的生成式神經網路，都是現今人工智慧運用的重點項目。隨著書中範例的一步步引導，讀者像學徒般已經被師傅領進門，站在這個基礎上再去打造自己的A.I.服務，讓我們面對人工智慧實作，不會再有霧裡看花的焦慮。若硬要挑這本書的毛病，第七章有關「Keras函數式API」的內容，不像前面章節那樣提供由淺而深的引導式範例。以我個人而言，學到的內容可以說是囫圇吞棗，體會不到「函數式API」的精髓在那裡。另外第八章「生成式神經網路」的內容則是另一種問題。可能因為生成式深度學習的太過雜複，這章的範例不同於前面章節學到的Keras程式風格，程式碼的說明也草草帶過。歸究原因，VAE(變分自編碼器)以及GAN(生成對抗神經網路)原本就是很難理解的進階神經網路演算法。連作者都說光這兩個演算法本身就可以獨自出成一本書，作者嘗試只用一個章節的篇幅來介紹，是很難讓讀者理解演算法的全貌。雪上加霜的是，第八章的翻譯語句恰好變得不太流暢(有幾句怪怪的)，添加了該章學習的困難度。個人因為從事大數據開發，因而開啟了機器學習的研究之路，而近年來研究機器學習，又不得不去摸索深度學習的相關技術。對一位沒有相關學術背景的軟體工程師而言，能藉由Keras框架的簡潔、易用，來避開使用Tensorflow打造神經網路模型的高門檻，是一件幸運的事。隨著A.I.工具發展與普及，未來的人們能更輕鬆地打造出自己心中的人工智慧應用。相信Keras依舊扮演著重要的角色，而「Deep learning 深度學習必讀：Keras 大神帶你用 Python 實作」是當下你不可錯過的工具書。