NumPy高速運算徹底解說: 六行寫一隻程式? 你真懂深度學習? 手工算給你看! | 誠品線上

現場で使える! NumPyデータ処理入門

內容簡介

內容簡介 硬派學習 AI 才能紮穩根基！ 許多 Python 開發人員初接觸機器學習、深度學習, 往往一開始就使用當紅的 Tensorflow、Keras 等 AI 框架, 只用了短短六行就寫出一隻神經網路程式, 接著就針對參數開始東調西調、訓練模型, 為了提高神經網路模型的準確率 (Accuracy) 96.6% → 97.4% → 98.9%...而奮戰著。 只需六行？調調參數？看起來 AI 好像也不難學的樣子, 但, 這樣子就算懂 AI？ 那可不一定！Tensorflow、Keras 等框架的確大幅降低你寫程式的時間成本, 卻不代表可以降低你學 AI 的學習成本, 沒有從 AI 底層運算紮實學起, 千萬別說你已經懂機器學習、深度學習！ 「你在調整參數、追求準確率的過程中, 真的清楚了解每個選項背後代表的運算嗎？」 「你有自己一步一步算過 Mini-batch 的梯度下降反向傳播嗎？」 本書不使用深度學習框架, 純 Python + NumPy「一步一腳印、手工硬派」帶你學 AI,「我用手工算給你看, 你再用 NumPy 算一次, 硬派學習 AI 才能紮穩根基！」 本書特色 : □最紮實的機器學習、深度學習 LAB 實戰 ‧簡單線性迴歸、多項式迴歸分析實作 ‧神經網路黑盒揭秘！二元分類、多元分類的底層運算剖析 ‧損失函數公式、偏微分公式...一大堆算式有看沒有懂？手工算完再跟機器比一比, 算完保證秒懂！ ‧反向傳播究竟「反」在哪？逐層帶你一步步反著算, 跟著做超有感！ ‧還有強化學習、Q-learning...等更多 AI 實戰應用 □初學 AI 一定要徹底搞懂 NumPy 函式怎麼用 GitHub 2019 年度報告指出：「在機器學習、深度學習相關主題, 超過一半的 repositories 是基於 NumPy 建構的」！ ‧看不懂 Python 程式碼？那是 NumPy 啦！掌握 reshape()、argmax()、transpose()、exp()、linspace()、dot()、sum()...各種 AI 實作必用函式 ‧ndarray 重要概念釋疑 - axis、dimension、shape、broadcasting ‧標準差、變異數、反矩陣、內積、外積...繁瑣的數學運算交給數學函式輕鬆搞定 □詳細解說, 流暢翻譯 本書由【施威銘研究室監修】, 書中針對原書進行大量補充, 並適當添加註解, 幫助讀者更加理解內容！ ★歡迎加入本書社群, 和技術者們直接對話！ 從做中學 Learning by doing 粉絲專頁

產品目錄

產品目錄 1-1 認識 NumPy 的基本操作 1-2 ndarray 多維陣列的基本概念 1-3 ndarray 的軸 (axis) 與維度 (dimension) 1-4 ndarray 的 dtype 屬性 1-5 ndarray 的切片 (Slicing) 操作 1-6 陣列擴張 (Broadcasting) Ch02 NumPy基本運算函式 2-1 陣列重塑 - reshape()、resize() 2-2 在陣列最後面加入元素 – append() 2-3 判斷陣列真假值 – all()、any() 2-4 找出符合條件的元素 – where() 2-5 取出最大值、最小值 – amax()、amin() 2-6 取出最大值、最小值的索引位置 – argmax()、argmin() 2-7 陣列轉置 – transpose() 2-8 陣列排序 – sort() 與 argsort() 2-9 陣列合併 – vstack()、hstack() 2-10 建立元素都是 0 的陣列 – zeros() 2-11 建立元素都是 1 的陣列 – ones() 2-12 建立「不限定元素值」的陣列 – empty() 2-13 建立指定範圍的等差陣列 – arange() 2-14 建立指定範圍的等差陣列 – linspace() 2-15 建立單位矩陣 – eye()、identity() 2-16 將陣列展平為 1D 陣列 – flatten() 2-17 將陣列展平為 1D 陣列 – ravel() 2-18 找出不是 0 的元素 – nonzero() 2-19 複製陣列元素, 拚貼成新陣列 – tile() 2-20 增加陣列的軸數 – np.newaxis 2-21 陣列合併 – np.r_ 與 np.c_ 物件 2-22 陣列的儲存與讀取 – save() 與 load() 2-23 以文字格式儲存、讀取陣列內容 – savetxt() 與 loadtxt() 2-24 建立隨機亂數的陣列 – random 模組 Ch03 NumPy 的數學函式 3-1 基本的數學運算函式 3-2 計算元素平均值 – average() 與 mean() 3-3 計算中位數 – median() 3-4 計算元素總和 – sum() 3-5 計算標準差 – std() 3-6 計算變異數 – var() 3-7 計算共變異數 – cov() 3-8 計算相關係數 – corrcoef() 3-9 網格陣列 – meshgrid() 3-10 點積運算 – dot() 3-11 計算矩陣的 determinant – linalg.det() 3-12 計算矩陣的「特徵值」與「特徵向量」 – linalg.eig() 3-13 計算矩陣的 rank – linalg.matrix_rank() 3-14 計算矩陣的「反矩陣」 – linalg.inv() 3-15 計算張量積 – outer() 3-16 計算叉積 – cross() 3-17 計算卷積 – convolve() 3-18 將連續值轉換為離散值 – digitize() Ch04 NumPy 的實務應用 4-1 資料的正規化 (Normalization) 4-1-1 z 分數正規化 4-1-2 最小值 - 最大值正規化 4-2 迴歸分析實作 4-2-1 迴歸概念解說 (簡單線性迴歸、多項式迴歸) 4-2-2 Step1：建立 20 個 (x, y) 組合的座標點 4-2-3 Step2：餵資料給機器學習, 求出能逼近 20 個點的迴歸方程式 4-2-4 Step3：完成學習, 驗證結果 4-3 機器學習實戰 (一)：使用神經網路替鳶尾花分類 4-3-1 神經網路的基本概念 (神經元、啟動函數、損失函數) 4-3-2 Step1：備妥訓練所需的資料 資料預處理 將資料集拆分為「訓練資料集」與「測試資料集」 4-3-3 Step2：開始訓練神經網路 訓練神經網路 更新權重 進入下一週期的訓練、更新權重 4-3-4 Step3：完成訓練, 驗證結果 4-4 機器學習實戰 (二)：使用神經網路辨識手寫數字圖片 4-4-1 多層神經網路的概念 4-4-2 Step1：備妥訓練所需的資料 4-4-3 Step2：開始訓練神經網路 了解反向傳播之前要先了解前向傳播 以計算圖呈現損失函數 L 的算式 利用「反向傳播」求損失函數 L 對各權重的偏微分 開始訓練神經網路 4-4-4 Step3：完成訓練, 驗證結果 4-5 使用 NumPy 實作強化學習 4-5-1 OpenAI Gym 是什麼 4-5-2 安裝與執行遊戲 4-5-3 用 Q-Learning 實作強化學習 4-5-4 增進 Q-Learning 的學習成效 4-5-5 策略梯度法

商品規格

最佳賣點

最佳賣點 : 硬派學習 AI 才能紮穩根基！
最紮實的機器學習、深度學習 LAB 實戰

活動

• 11/29前 愛讀日｜圖書滿$888折$88
• 11/29前愛讀日｜圖書滿$1,200折$120
• 11/29前 全站滿$2,000折$200
• 11/29前 全站滿$5,000折$500