TensorFlow + Keras 深度學習人工智慧實務應用
內容描述
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。
目錄大綱
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
作者介紹
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】
https://www.facebook.com/TensorflowKeras/