TensorFlow+Keras深度學習人工智慧實務應用-FindBook 找書網 ISBN:9789864342167

型式

價格

供應商

所屬目錄

Computers & Technology

內容簡介

人工智慧時代來臨，必須學習的新技術
輕鬆學會「深度學習」：先學Keras再學TensorFlow

　　★成長最快領域：深度學習與類神經網路，是人工智慧成長最快的領域，讓電腦更接近人類的思考。
　　★應用深入生活：手機語音助理、人臉識別、影像辨識、手寫辨識、醫學診斷、自然語言處理。
　　★實作快速上手：只需Python基礎，依照本書Step by Step學習，就可以輕鬆學會深度學習概念與應用。

　　TensorFlow功能強大、執行效率高、支援各種平台，然而TensorFlow是低階的深度學習程式庫，學習門檻高。所以本書先介紹Keras，Keras是高階的深度學習程式庫（以TensorFlow作為後端引擎），對初學者學習門檻低，可以很容易地建立深度學習模型，並且進行訓練、預測。等讀者熟悉深度學習模型概念與應用後，再來學習TensorFlow就很輕鬆了。

　　【在Windows安裝TensorFlow 1.0＋Keras2.0】
　　對於初學者而言，在Windows安裝非常簡單容易上手。本書詳細步驟說明，如何在Windows作業系統上，安裝最新版的TensorFlow 1.0＋Keras2.0。

　　【在Linux Ubuntu安裝TensorFlow 1.0＋Keras2.0】
　　因為Linux作業系統是大數據分析與機器學習很常用的平台。本書詳細步驟說明，如何在Linux Ubuntu作業系統上，安裝最新版的TensorFlow 1.0＋Keras2.0。

　　【使用GPU大幅加快深度學習訓練】
　　GPU的平行運算架構，可讓深度學習訓練比CPU快數十倍。您必須有Nvidia顯示卡。然後依照本書步驟說明，安裝Cuda、CudNN以及TensorFlow GPU版本，就可以使用GPU大幅加快深度學習訓練。

　　【MNIST手寫數字影像辨識，可辨識0~9的手寫數字】
　　以實際範例說明，如何使用Keras與TensorFlow建構MLP（多層感知器）、CNN（卷積神經網路）模型，可辨識0~9的手寫數字。

　　【CIFAR-10照片影像物體辨識，可辨識10種物體】
　　以實際範例說明，如何使用Keras建構CNN（卷積神經網路）模型，可辨識照片類別：飛機、汽車、鳥、貓、鹿、狗、青蛙、船、卡車。

　　【預測鐵達尼號旅客生存機率】
　　以實際範例說明，如何使用Keras建構MLP（多層感知器）模型、可以預測旅客及鐵達尼號電影男女主角生存機率，並且找出鐵達尼號其他旅客的感人故事。

　　【IMDb影評文字「自然語言處理」與「情緒分析」】
　　情緒分析的商業價值，在於透過文字分析，得知顧客對公司或產品的評價，以調整營運策略。本書以實際範例說明，如何運用Keras自然語言處理，並且建構MLP（多層感知器）、RNN（遞歸神經網路）、LSTM（長短期記憶）等模型，可以預測影評文字是正面或負面評價。

作者介紹

作者簡介

林大貴

　　作者從事IT產業多年，系統設計、網站開發、數位行銷、商業智慧、大數據、機器學習等領域，具備豐富的實務經驗。目前從事大數據分析、機器學習、深度學習與人工智慧，相關的研究、教學與企業顧問。

　　【facebook粉絲團】
　　www.facebook.com/TensorflowKeras/

　　【部落格】
　　tensorflowkeras.blogspot.tw/

CHAPTER01 人工智慧、機器學習、深度學習介紹
CHAPTER02 深度學習的原理
CHAPTER03 TensorFlow與Keras介紹
CHAPTER04 在Windows安裝TensorFlow與Keras
CHAPTER05 在Linux Ubuntu安裝TensorFlow與Keras
CHAPTER06 Keras MNIST手寫數字辨識資料集介紹
CHAPTER07 Keras多元感知器（MLP）辨識手寫數字
CHAPTER08 Keras卷積神經網路（CNN）辨識手寫數字
CHAPTER09 Keras Cifar-10影像辨識資料集介紹
CHAPTER10 Keras卷積神經網路（CNN）辨識Cifar-10影像
CHAPTER11 Keras鐵達尼號旅客資料集介紹
CHAPTER12 Keras多層感知器（MLP）預測鐵達尼號旅客生存機率
CHAPTER13 IMDb網路電影資料集與自然語言處理介紹
CHAPTER14 Keras建立MLP、RNN、LSTM模型，進行IMDb情緒分析
CHAPTER15 TensorFlow程式設計模式介紹
CHAPTER16 以TensorFlow張量運算模擬神經網路運作
CHAPTER17 TensorFlow Mnist手寫數字辨識資料集介紹
CHAPTER18 TensorFlow多層感知器MLP辨識手寫數字
CHAPTER19 TensorFlow卷積神經網路CNN辨識手寫數字
CHAPTER20 TensorFlow GPU版本安裝
CHAPTER21 使用GPU加快TensorFlow與Keras訓練
附錄A 本書範例程式下載與安裝說明

看更多

詳細資料

ISBN：9789864342167
規格：平裝 / 384頁 / 17 x 23 cm / 普通級 / 單色印刷 / 初版
出版地：台灣

如同我同事說的「看書的時間點不分早晚，當你閱讀的當下就是最好的Timing」。這本2017年出版的「TensorFlow+Keras深度學習人工智慧實務應用」對我而言，眼下就是最好的相逢。面對以深度學習為主所掀起的第三次人工智慧熱潮，想當然耳是身處大數據應用第一線工程師必修的資訊技能。早先經由林大貴的姐妹作「Python+Spark 2.0+Hadoop機器學習與大數據分析實戰」學習到了傳統機器學習的功夫，在此基礎上再更一步研讀「TensorFlow+Keras深度學習人工智慧實務應用」一書，循序漸進地朝深度學習的領域探索，在學習進程上的安排是恰如其份。就如封面所言，TensorFlow是實踐深度學習的低階語言，不適合初學者入門。而建基在TensorFlow之上的Keras函式庫，相當巧妙地將重複性的程式碼包裝起來，提供了便利、直觀的建模函式，讓使用者可以快速地運用類神經網路模型來實作實務問題，不用卡在枝微末節的代碼中。本書就是先從Keras範例開始介紹，等讀者對深度學習模型有一定經驗後，再用TensorFlow解說一次。林大貴的這種安排相當貼心，藉由同一範例執行兩種不同語法來重複練習，也真的能讓書中想傳播的知識確切地印在讀者們腦海中。章節的範例包含了:手寫數字辨識、照片物體辨識(圖像分類問題)，鐵達尼號旅客生存機率(資料分類問題)以及IMDB影評情緒分析(自然語言處理分類問題)。都是常見但精典的機器學習課題，也都有轉化為實務的專案雛形的價值。利用深度學習的MLP(多層感知器)、CNN(卷積神經網路)、RNN(遞歸神經網路)與LSTM(長短期記憶)等深度學習模型，讓人工智慧在資訊科技運用上突破了先前傳統演算法(單純貝氏、決策樹...等)無法跨越的瓶頸，也勢必成為資訊科技從業人員口袋中應配備的應用工具。書中最後一章是介紹如何安裝Nvidia的GPU顯示卡來加快TensorFlow的運算速度，可惜我沒想為了練習書中範例就去買張顯卡來實踐內容，就只能望文興嘆就字面上體驗GPU的強大威力。

好書收下我的膝蓋非常好入門，每個函式的參數和意義都講解得非常詳細搭配範例，輕鬆理解非常推薦初學者來閱讀每個章節都不厭其煩的敘述參數和匯入資源的意義，不用再往前翻查；各個名詞的定義都解釋清晰，網路專案做一做忘記基本名詞就隨手翻翻排行榜上的一半我都看過，最推這本本來跟別人借，覺得根本神書，怒買一本收藏

我不太推薦這本書給想要"了解深度學習"的人，因為這本書講的理論少之又少、程式碼非常多重覆、不嚴謹（我會說不嚴謹是因為一些程式有明顯的邏輯錯誤，而且在變數命名、參數的使用等等很沒有規則，雖然都是小細節，但我覺得這是不該發生的，更何況這本給的資訊又那麼少），不過，如果你急需要一個非常簡單、幾分鐘後就可以做出個MLP、CNN的書，這本書勉強可以拿來翻翻。如果把這本書所有的相同的、冗餘的句子都砍掉，整理起來大概不到100頁吧。

如果你已經有一些深度學習的基本知識，那這本書非常適合讓你進入實作的部分這本書內容不僅簡單而且豐富有趣，每行程式碼都有超級超級詳細的解說當然，沒有深度學習理論基礎也可以買這本書，你也絕對看得懂，但可能會很沒有感覺，因為很多東西會不知道為甚麼這樣用，總之，這本書讓我這個新手也可以體驗深度學習實作的有趣之處，非常推薦!!

作者的介紹深入淺出，是以新手為對象，消化過再用淺顯易懂的文字說明。非常值得推薦給入門新手。已經具備基礎觀念或許應該找其他進階書籍與網路資源。

該怎麼說呢，這本書的內容網路上就有許多了，像是如何裝tensorflow、keras、如何玩MNIST資料集等等，我不能說它沒用，確實可以從中學到一點點東西，但是內容真的太淺了，我建議想入門的人可以學習GOOGLE提供的MLCC，不需要數學背景，而且完全免費，由淺入深，還有影片可以看。

屬於人工智慧入門讀物，但進階的相關知識、理論較為缺乏。如果只是想會用，但不想知道為甚麼可以這樣用，這本非常推。 . 優 1.看完就有實作的能力。 2,非常淺顯易懂，每一段程式碼都有相對非常白話的解釋。 3.對想入門人工智慧的人是非常好的讀物，簡單易讀到我兩天就學完了，且內容非常扎實。 . 劣 1.沒有數學理論 2.沒有解釋如何設計參數 3.沒有解釋類神經網路的結構在甚麼時候如何設計

本書真的是一步一步的教你如何使用keras和tensorflow來進行簡易的deep learning 而本書也著重於應用，所以也較少理論方面的說明 (在理論方面我建議讀者需要再找其他的deep learning書籍來學習) 總結來說，如果你已經學習過deep learning的理論想要知道如何實作的話，看這本書就對了至於想先學習deep learning理論的讀者，我則是不建議購買此書 (補充一點，本書是用python3.x實作)