TensorFlow模型解析與範例大全


	TensorFlow認證考試最佳參考書附解說檔及練習題400題　　｜本書專為有志於認證考試或想深入了解人工智慧原理者而設計｜　　提供大量的習題及解說（超過400個），同時深入解說神經網路的運作原理，無論是初學者或進階者都適合閱讀。　　｜繪製獨門的示意圖｜　　利用Excel的工作表來展示各種演算法的運算過程，將抽象概念具體化。　　｜詳細解說損失函數、激發函數、優化器、標籤編碼、單熱編碼、正規化、標準化、學習率、正向傳播、反向傳播及梯度下降法等機器學習的基礎觀念，以厚植人工智慧的實力｜　　這些觀念是開發人工智慧軟體的關鍵，也是一般學子最難搞懂的部分，本書以問答集的形式呈現，共計41個主題，例如：為何要使用交叉熵函數來計算誤差？如何選擇激發函數？如何建構孿生神經網路？何謂梯度消失與梯度爆炸？如何使用自注意力機制？　　【目標讀者】　　✔各級學校的學生。　　✔有志於認識人工智慧及參加認證考試的各界人士。


	目錄 \|Chapter 01\| 神經網路之概念 1.1 神經網路模型簡介 1.2 神經網路模型運作解析 1.3 模型訓練的資訊 1.4 神經網路工作程序 1.5 應考須知 1.6 如何使用本書範例檔 \|Chapter 02\| 結構化資料的分類辨識 2.1 傳統的分類辨識方法 2.2 神經網路模型的分類辨識方法 \|Chapter 03\| 迴歸分析 3.1 傳統迴歸分析法 3.2 神經網路模型在簡單迴歸分析的用法 3.3 神經網路模型在多元迴歸分析的用法 \|Chapter 04\| 圖像辨識 4.1 圖像基本原理 4.2 圖片及影片的基本操作 4.3 傳統圖像辨識法的缺點 4.4 卷積神經網路說明 4.5 在TensorFlow中使用卷積層 4.6 在TensorFlow中使用池化層與展平層 4.7 卷積層與池化層的種類 4.8 開放數據集 \|Chapter 05\| 圖像資料的擴增 5.1 圖像擴增的意義 5.2 圖像擴增的方法 5.3 圖檔之讀取與分類 5.4 圖像資料產生器的特殊用途之一 5.5 圖像資料產生器的特殊用途之二 \|Chapter 06\| 預訓練模型的使用 6.1 預訓練模型簡介 6.2 預訓練模型的用法之一 6.3 預訓練模型的用法之二 6.4 預訓練模型的用法之三 6.5 預訓練模型的比較 6.6 遷移學習原理 \|Chapter 07\| 時間數列預測 7.1 時間數列的類型 7.2 時間數列預測法 7.3 時間數列預測步驟 7.4 時間步與時間數列之切割 7.5 循環神經網路的模式 7.6 循環神經網路之原理 7.7 循環神經網路的關鍵參數 \|Chapter 08\| 文本分類 8.1 文本處理步驟 8.2 移除停用詞 8.3 斷詞器 8.4 嵌入層與詞向量 8.5 預訓練的詞向量 8.6 文本分類的意義與程序 8.7 文本分類資料集簡介 8.8 文本預訓練模型之運用 8.9 文本分類的進階處理 \|Chapter 09\| 文本生成 9.1 文本生成概要 9.2 文本預處理 9.3 建構模型兩種 9.4 文本生成自訂函數 9.5 文本生成之斷句 9.6 自然語言處理的新發展 \|附錄\|（附錄內容請至博碩官網下載）附錄A 觀念解析附錄B Google Colab使用方法附錄C 範例檔清單_程式結構_套件版本