Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)

陳峻廷

尚未上市,歡迎預購

  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-1
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-2
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-3
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-4
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-5
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-6
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-7
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-8
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-9
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-10
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-11
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-12
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-13
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-14
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-15
  • Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-16
Towards Tensorflow 2.0:無痛打造AI模型(iT邦幫忙鐵人賽系列書)-preview-1

買這商品的人也買了...

相關主題

商品描述


內容簡介

本書改編自第 11 屆 iT 邦幫忙鐵人賽,Google Developers Machine Learning 組冠軍網路系列文章 ⸺《Towards Tensorflow 2.0:無痛打造AI模型》,是一本完整結合 Google Colab 學習Tensorflow 的台灣本土專書。AI、機器學習為近年來最熱門的話題,如何透過 AI 來提高企業營收或降低成本,已是各大企業爭相研究的技術。這是一本涵蓋基礎 Tensorflow 語法到各大應用領域的專書,豐富內容結合業界實戰心得與應用 ( 包括:價格預測、影像辨識、推薦系統等 ),帶你探索 AI 的奧妙。


三大重點

內容涵蓋現今 Tensorflow 2.0 最新語法,由淺入深帶你了解 Tensorflow 語法,從資料選取、資料處理、模型訓練以及視覺化均包含於此書。
本書涵蓋 DNN、CNN、RNN、GAN 、RL 等現今熱門模型,且搭配許多經典有趣的資料集做學習。除了實作,書中也會提及在真實世界所會遇到的的問題及解法。
透過線上免費雲端運算資源帶你學習 Tensorflow2.0,不僅不需擁有高運算設備即能學習現今最熱門的 AI 模型,也可以省略掉繁瑣的安裝步驟,可立即上手並學習 AI 核心概念。


適用讀者

具備基礎程式編寫能力的 Tensorflow 初學者、對 AI 有興趣或想轉職成為 AI 工程師的讀者。

作者簡介

陳峻廷

作者於資料科學、機器學習相關領域深耕多年,專案經歷涵蓋多方領域,包含:電信、金融、工廠、廣告等,並致力於運用資料科學及機器學習解決企業問題,現為電信業資料科學家。

目錄大綱

01 Tensorflow 介紹
1-1 什麼是Tensorflow?
1-2 Tensorflow 2.0
1-3 線上免費開發測試環境
1-4 總結
02 Tensorflow 基本語法
2-1 變數類型
2-2 建立數據
2-3 數據操作
2-4 數據運算
2-5 總結
03 TF.Keras API
3-1 基本操作
3-2 定義模型
3-3 模型訓練
3-4 模型儲存
3-5 總結
04 Python 資料處理與視覺化實戰
4-1 初入茅廬
4-2 小試身手
4-3 熟能生巧
4-4 觸類旁通
4-5 融會貫通
05 深度神經網路 (Deep Neural Network)
5-1 線性迴歸 (Regression)
5-2 優化器 (Optimizer)
5-3 深度神經網路 (Deep Neural Network)
5-4 深度神經網路- Lab 1 (Data:Airbnb)
5-5 深度神經網路- Lab 2 (Data:Fashion MNIST)
5-6 總結
06 卷積神經網路 (Convolutional Neural Network)
6-1 CNN
6-2 VGG
07 遞歸神經網路 (Recurrent Neural Network)
7-1 遞歸神經網路 (RNN)
7-2 長短期記憶網路
7-3 RNN 實作 - 情感分析
7-4 RNN 實作 - 股價預測
7-5 BERT 初探
7-6 實務技巧分享
7-7 案例說明
08 推薦系統 (Recommendation System)
8-1 推薦系統介紹
8-2 Wide & Deep 推薦系統介紹
8-3 Deep & Wide 模型 Lab
8-4 實務經驗與結論
09 從Auto-Encoder 到GAN
9-1 非監督式學習 (Unsupervised Learning)
9-2 自動編碼器 (Auto-Encoder)
9-3 自動編碼器 (Auto-Encoder) 實作
9-4 Variational Auto-Encoder (VAE)
9-5 生成對抗網路 (Generative Adversarial Network)
9-6 GAN 實作LAB-1
9-7 GAN 實作LAB-2 MNIST
10 增強式學習 (Reinforcement Learning)
10-1 什麼是增強式學習RL
10-2 RL 的學習方法
10-3 DeepQNetwork
10-4 RL DQN - Colab 實作
10-5 總結
11 模型調教與模型服務
11-1 模型調教問題 - Overfit 以及Underfit
11-2 模型視覺化 - TensorBoard
11-3 遷移學習 (Transfer Learning)
11-4 模型服務 (Model Serving)
11-5 總結