深度學習-使用TensorFlow 2.x
活動訊息
想找書的時候，特別想偷看網友的書櫃... 原來大家都在看這本 ↓↓↓
內容簡介
深度學習是人工智慧(AI)中發展最快速的領域之一，其主要原因是因為深度學習技術模擬了人類大腦的神經網路運作。近年來由於圖形處理器(GPU)的興起，改善了電腦的運算速度，因此各式各樣的神經網路一一出現，而這些神經網路也被應用在我們常用的一些應用產品，例如：文字辨識、語音辨識、垃圾郵件過濾、翻譯等。書中先講述AI概論、Tensorflow的安裝、張量的基礎應用到進階應用，讓讀者能夠先掌握Tensorflow，接著經由Tensorflow來講述深度學習的各種實作項目，如類神經網路、神經網路的優化與調教、卷積神經網路及循環神經網路，藉此能夠將Tensorflow活用，並且對深度學習有更進一步的認識。
本書適用於大學、科大資工、電機、電子系「深度學習」(且使用TensorFlow 2.x)課程使用。
本書適用於大學、科大資工、電機、電子系「深度學習」(且使用TensorFlow 2.x)課程使用。
目錄
CH1 人工智慧概論
1-1 人工智慧的興起
1-2 機器學習(Machine Learning ,ML)概述
1-3 深度學習(Deep Learning ,DL)
1-4 人工智慧應用領域
CH2 Tensorflow環境安裝與介紹
2-1 Tensorflow 簡介
2-2 Keras 簡介
2-3 開發環境安裝
CH3 常用工具介紹
3-1 NumPy 介紹
3-2 Matplotlib 介紹
3-3 Pandas 介紹
CH4 張量的基礎與進階應用
4-1 張量(tensor)介紹
4-2 數據類型介紹
4-3 張量的各種運算
CH5 類神經網路
5-1 類神經網路(Neural Network, NN)簡介
5-2 激勵函數(Activation Function)介紹
5-3 神經網路(多層感知機 Multilayer perceptron, MLP)
5-4 網路參數的優化
5-5 神經網路訓練實例(MNIST 手寫數字辨識)
5-6 使用keras 模組實現神經網路訓練(Fashion MNIST 識別)
5-7 網路的保存與載入
CH6 神經網路的優化與調教
6-1 過擬合(overfitting)與欠擬合(underfitting)問題
6-2 數據集劃分
6-3 提前停止(Early stopping)
6-4 設定模型層數對
6-5 使用Dropout
6-6 使用正則化(regularization)
6-7 數據增強(Data Augmentation)
CH7 卷積神經網路
7-1 淺談卷積神經(Convolutional Neural Network)網路
7-2 卷積層(Convolution Layer)
7-3 池化層(Pooling Layer)
7-4 Flatten(展平)與Dense(全連接)層
7-5 卷積神經網路實作(LeNet-5 實作)
7-6 常見卷積神經網路(一)－AlexNet 網路
7-7 常見卷積神經網路(二)－VGG 網路
7-8 常見卷積神經網路(三)－GoogLeNet 網路
7-9 常見卷積神經網路(四)－ResNet 網路
7-10 常見卷積神經網路(五)－DenseNet 網路
CH8 循環神經網路
8-1 淺談循環神經網路
8-2 循環神經網路(Recurrent Neural Network)
8-3 循環神經網路(RNN)的梯度消失與爆炸
8-4 長短期記憶(Long Short-Term Memory, LSTM)
8-5 門控循環單元(Gate Recurrent Unit, GRU)
1-1 人工智慧的興起
1-2 機器學習(Machine Learning ,ML)概述
1-3 深度學習(Deep Learning ,DL)
1-4 人工智慧應用領域
CH2 Tensorflow環境安裝與介紹
2-1 Tensorflow 簡介
2-2 Keras 簡介
2-3 開發環境安裝
CH3 常用工具介紹
3-1 NumPy 介紹
3-2 Matplotlib 介紹
3-3 Pandas 介紹
CH4 張量的基礎與進階應用
4-1 張量(tensor)介紹
4-2 數據類型介紹
4-3 張量的各種運算
CH5 類神經網路
5-1 類神經網路(Neural Network, NN)簡介
5-2 激勵函數(Activation Function)介紹
5-3 神經網路(多層感知機 Multilayer perceptron, MLP)
5-4 網路參數的優化
5-5 神經網路訓練實例(MNIST 手寫數字辨識)
5-6 使用keras 模組實現神經網路訓練(Fashion MNIST 識別)
5-7 網路的保存與載入
CH6 神經網路的優化與調教
6-1 過擬合(overfitting)與欠擬合(underfitting)問題
6-2 數據集劃分
6-3 提前停止(Early stopping)
6-4 設定模型層數對
6-5 使用Dropout
6-6 使用正則化(regularization)
6-7 數據增強(Data Augmentation)
CH7 卷積神經網路
7-1 淺談卷積神經(Convolutional Neural Network)網路
7-2 卷積層(Convolution Layer)
7-3 池化層(Pooling Layer)
7-4 Flatten(展平)與Dense(全連接)層
7-5 卷積神經網路實作(LeNet-5 實作)
7-6 常見卷積神經網路(一)－AlexNet 網路
7-7 常見卷積神經網路(二)－VGG 網路
7-8 常見卷積神經網路(三)－GoogLeNet 網路
7-9 常見卷積神經網路(四)－ResNet 網路
7-10 常見卷積神經網路(五)－DenseNet 網路
CH8 循環神經網路
8-1 淺談循環神經網路
8-2 循環神經網路(Recurrent Neural Network)
8-3 循環神經網路(RNN)的梯度消失與爆炸
8-4 長短期記憶(Long Short-Term Memory, LSTM)
8-5 門控循環單元(Gate Recurrent Unit, GRU)
配送方式
-
台灣
- 國內宅配：本島、離島
-
到店取貨：
不限金額免運費
-
海外
- 國際快遞：全球
-
港澳店取：
訂購/退換貨須知
加入金石堂 LINE 官方帳號『完成綁定』，隨時掌握出貨動態：
提醒您！！
金石堂及銀行均不會請您操作ATM! 如接獲電話要求您前往ATM提款機，請不要聽從指示，以免受騙上當！
退換貨須知：
**提醒您，鑑賞期不等於試用期，退回商品須為全新狀態**
-
依據「消費者保護法」第19條及行政院消費者保護處公告之「通訊交易解除權合理例外情事適用準則」，以下商品購買後，除商品本身有瑕疵外，將不提供7天的猶豫期：
- 易於腐敗、保存期限較短或解約時即將逾期。（如：生鮮食品）
- 依消費者要求所為之客製化給付。（客製化商品）
- 報紙、期刊或雜誌。（含MOOK、外文雜誌）
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。（如：電子書、電子雜誌、下載版軟體、虛擬商品…等）
- 已拆封之個人衛生用品。（如：內衣褲、刮鬍刀、除毛刀…等）
- 若非上列種類商品，均享有到貨7天的猶豫期（含例假日）。
- 辦理退換貨時，商品（組合商品恕無法接受單獨退貨）必須是您收到商品時的原始狀態（包含商品本體、配件、贈品、保證書、所有附隨資料文件及原廠內外包裝…等），請勿直接使用原廠包裝寄送，或於原廠包裝上黏貼紙張或書寫文字。
- 退回商品若無法回復原狀，將請您負擔回復原狀所需費用，嚴重時將影響您的退貨權益。
商品評價