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
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