圖解AI|機器學習和深度學習的技術與原理
株式会社アイデミー, 山口達輝, 松田洋之 衛宮紘 譯
- 出版商: 碁峰資訊
- 出版日期: 2020-10-16
- 定價: $450
- 售價: 7.5 折 $338 (限時優惠至 2024-10-31)
- 語言: 繁體中文
- 頁數: 240
- 裝訂: 平裝
- ISBN: 9865025884
- ISBN-13: 9789865025885
-
相關分類:
Machine Learning、DeepLearning
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
$450$356 -
$380$342 -
$580$458 -
$480$379 -
$1,200$948 -
$301全棧軟件測試自動化 Selenium 和 Appium (Python版)
-
$580$458 -
$880$695 -
$690$587 -
$1,000$780 -
$680$537 -
$480$379 -
$750$593 -
$620$484 -
$580$452 -
$450$338 -
$520$406 -
$550$429 -
$780$663 -
$480$360 -
$480$379 -
$450$405 -
$1,000$790 -
$680$537 -
$760$380
相關主題
商品描述
收錄豐富的圖示與詳盡的解說,即便完全零知識也能夠輕鬆學習。
機器學習與深度學習的原理與技術,單靠這一本 就能深入瞭解的教科書
「人工智慧」、「機器學習」、「深度學習」這些以前在科幻小說中才會見到的字眼,如今已經深入我們的日常,成為大家平日琅琅上口的名詞。可是,真的想要深入一點了解這些名詞,一翻開相關書籍,看到滿滿的數學公式頭就暈了,難道沒有人能夠用大家都聽得懂的方式解釋這些科技名詞嗎?
本書就是因應您心中的吶喊而生的一本書。這本書不會給你滿滿的數學式,而是藉由生活化的舉例、圖解進行說明,盡可能地表達人工智慧的正確知識。期望各位能夠透過本書,觸及機器學習的趣味與可能性,進而踏入機器學習的世界中。
藉由本書,您將可以:
.了解人工智慧、機器學習、深度學習三者之間的關係
.機器學習的程序與核心技術
.了解機器學習應用了哪些演算法
.深度學習的程序與核心技術
.了解深度學習應用了哪些演算法
<序>
近年,出現愈來愈多不需要機器學習資料庫、程式設計的機器學習服務,即便不是這方面的專家,只要準備好資料利用這類服務,就能夠獲得相應的結果。然而,明明不清楚機器學習演算法是如何運行,卻毫無根據地相信跑出的結果,將其用於重要的商業場景上,不得不說是相當危險的情況。一般的IT工程學會兼顧初學者與熟練者,網羅各種網路文章、專業書籍的解說。然而,在機器學習的習得上,網路文章通常給人偏重「容易閱讀」的印象,但有許多文章省略了必要的說明,難以讓人扎實地理解機器學習。而專業書籍的解說,又使用了大量的數學公式,這對以成為AI工程師為目標的人來說,進入的門檻相當高。
本書採取折衷的做法,不是堆砌數學式進行艱難的解說,而是藉由示例、插圖用簡單易懂的方式講解,盡可能正確表達AI工程師必須理解的知識。期望各位能夠透過本書,觸及機器學習的趣味與可能性,進而踏入機器學習的世界當中。
作者簡介
山口 達輝
Aidemy股份有限公司的工程師。在Aidemy Premium Plan中,指導學員基本的機器學習程式設計、機器學習的實作。大學專攻運輸的自動駕駛技術,但在其他學科課程上,偶然從講師的題外話感受到機器學習的可能性,遂轉而成為AI工程師。
現在的興趣是人工智慧與腦科學的科技整合。「何謂人心?」這從國中時期就抱有的疑問再次點燃於胸中,開始大量閱讀認知科學的論文。
松田 洋之
Aidemy股份有限公司的工程師,在Aidemy Premium Plan中,協助回答學員的問題、諮詢討論、Aidemy的教材修正。原為文科出身,因高中時期對三角函數的加法定理感到挫折,大學起初選擇文學系(經濟學),但途中轉而攻讀工學系,成為機器學習工程師。興趣是經濟學與資訊科學的融合領域,前者是討論財產分配的最佳化,後者是討論運算資源的最佳化,由這點認為兩者的差異並不大。另外,因感覺機器學習幾乎不會用不到積分,而確信即便是文科出身,只要正確學習也能夠開拓通往機器學習工程師的道路。
目錄大綱
第1章|人工智慧的基礎知識
01 何謂人工智慧?
02 何謂機器學習(ML)?
03 何謂深度學習(DL)?
04 人工智慧與機器學習的普及過程
第2章|機器學習的基礎知識
05 監督式學習的機制
06 非監督式學習的機制
07 增強學習的機制
08 統計與機器學習的差異
09 機器學習與特徵量
10 擅長與不擅長的領域
11 機器學習的運用範例
第3章|機器學習的程序與核心技術
12 機器學習的基本工作程序
13 蒐集資料
14 資料變形
15 模型的作成與學習
16 批次學習與線上學習
17 使用測試資料驗證預測結果
18 學習結果的評估基準
19 超參數與模型的調整
20 主動學習
21 相關與因果
22 反饋迴圈
第4章|機器學習的演算法
23 迴歸分析
24 支援向量機
25 決策樹
26 整體學習
27 整體學習的運用
28 邏輯迴歸
29 貝葉斯模型
30 時序分析與狀態空間模型
31 K 近鄰法(K-NN)與 K 平均法(K-Means)
32 維度縮減與主成分分析
33 最佳化與遺傳演算法
第5章|深度學習的基礎知識
34 類神經網路與其歷史
35 深度學習與圖像辨識
36 深度學習與自然語言處理
第6章|深度學習的程序與核心技術
37 誤差反向傳播法的類神經網路學習
38 類神經網路的最佳化
39 梯度消失問題
40 遷移學習
第7章|深度學習的演算法
41 卷積類神經網路(CNN)
42 遞歸類神經網路(RNN)
43 增強學習與深度學習
44 自動編碼器
45 GAN(生成對抗網路)
46 物體偵測
第8章|系統開發與開發環境
47 編寫人工智慧的主要程式語言
48 機器學習用資料庫與框架
49 深度學習的框架
50 GPU程式設計與高速化
51 機器學習服務