Python

建構AI應用程式，您不必拿PhD「這是程式員精通深度學習的最佳資源之一。」—Peter NorvigGoogle研究總監「本書透過實際的操作，以簡單且實用的方法揭開深度學習的神秘面紗。」—Curtis Langlotz史丹佛大學醫學及成像人工智慧中心主任深度學習通常被視為數學博士和大型科技公司的獨門秘術，然而，正如這本指南所言，如果你已經會寫Python，那麼你只要稍微了解數學、取得少量的資料，就

【嚴選經典】美國矽谷創業家/全球科技大廠與業界指定工研院顧問講師親自錄製231支影音教學影片，如臨現場授課！【聯合推薦】嘉義基督教醫院兒童醫學部主任、嘉基創新育成中心主任 周信旭醫師Eco-City智慧生活科技區域整合中心執行長、國立交通大學土木工程系 曾仁杰教授台北榮民總醫院神經外科、國立陽明大學研究所兼任助理教授 關艾琛醫師本書為作者柯博文老師繼《Python+TensorFlow人工智慧、機

讓你快速上手新語言，掌握面試訣竅，一舉拿下夢想中的程式開發工作 暢銷書作家JOHN SONMEZ繼《Soft Skills軟實力：軟體開發人員的生存手冊》最新力作！ ‧應該學JavaScript、C#、Python還是C++？本書會教你如何決定最適合自己學習的程式語言，以及如何有效地掌握程式語言。 ‧取得電腦科學學位是否有其必要性，或者根本是浪費時間？本書會教你如何在背負最低學貸的情況下，拿到聲譽

使用scikit-learn探索各式機器學習模型，實作多種機器學習演算法 機器學習是近年的熱門話題，它將電腦科學與統計學結合在一起，打造智慧又有效率的模型。你可以使用機器學習提供的強大演算法和技術，來自動化任何分析模型，而scikit-learn正是一個優秀的Python機器學習函式庫，它可以實作多種機器學習演算法，是非常好用的工具。 本書詳細介紹一系列機器學習模型和scikit-learn的使用

機器學習最強入門 基礎數學/機率/統計 邁向 AI真實數據 x 專題實作 ★★★★★【數學原理 + 演算法 + 真實案例+ 專題實作】★★★★★ ★★★★★【最簡明的數學、機率、統計知識】★★★★★ ★★★★★【最完整的機器學習演算法】★★★★★ ★★★★★【最豐富的真實數據 x 專題實作】★★★★★ 本書特色如下： ★ 最白話解釋數學原理 ☆ 從簡單的數據開始理解機器學習的演算法 ★ 將理論知識轉化為實際的程式碼 ☆ 實際案例分析 全書有約416個Python程式實例，讀者可以由本書內容，了解下列與機器學習有關的基礎數學、機率、統計知識： ★ 方程式與函數 ☆ 完整Python語法 ★ 一元函數到多元函數 ☆ 最小平方法 ★ 基礎統計 ☆ 機率與單純貝式理論 ★ 指數與對數 ☆ logit函數與logistic函數 ★ 向量與矩陣 ☆ 二次函數、三次函數與多項式函數 當讀者有了上述知識後，筆者從簡單的實例開始介紹下列機器學習的演算法，每一種演算法皆是從基礎數據開始解說，然後跨入真實數據，解說應該如何將演算法應用到真實案例環境： ★ 線性迴歸 – 波士頓房價 ☆ 邏輯迴歸 – 信用卡/葡萄酒/糖尿病 ★ 決策樹 – 葡萄酒/鐵達尼號/Telco/Retail ☆ 隨機森林樹 – 波士頓房價/鐵達尼號/Telco/收入分析 ★ KNN演算法 – 電影推薦/足球射門/鳶尾花/小行星撞地球 ☆ 支援向量機 – 鳶尾花/乳癌/汽車燃料 ★ 單純貝式分類 – 垃圾郵件/中英文的新聞分類/情感分析/電影評論 ☆ 集成機器學習 – 蘑菇/醫療保險/玻璃/加州房價 ★ K-means分群 – 購物中心消費/葡萄酒評價 ☆ PCA主成分分析 – 手寫數字/人臉數據 ★ 階層式分群 – 小麥數據/老實泉 ☆ DBSCAN演算法 – 購物中心客戶分析 在講解上述演算法時，筆者同時介紹下列機器學習應該知道的知識： ★ 特徵選擇 ☆ 用直方圖了解特徵分佈 ★ 用箱型圖了解異常值 ☆ 數據預處理 ★ 殘差圖(Residual plot) ☆ 機器學習性能評估 ★ 過擬合(overfitting) ☆ 欠擬合(underfitting) ★ 數據洩漏(Data leakage) ☆ 繪製決策樹圖(Decision tree map) ★ 可視化熱力圖(Heat map) ☆ 決策邊界(Decis

語音辨識已經逐漸進入人們的日常生活，語音辨識技術是涉及語言、電腦、數學等領域的交叉學科。 全書從語音辨識的基礎講起，並輔以翔實的案例，介紹包括C#、Perl、Python、Java等多種程式設計語言實作，開放程式碼語音辨識工具套件Kaldi的使用與程式碼分析，深度學習的開發環境搭建，旋積神經網路，以及語音辨識中常見的語言模型--N元模型和依存模型等，讓讀者快速瞭解語音辨識基礎，掌握開發語音辨識程式

「人工智慧」在最近幾年內以驚人的速度進步，而運用「機器學習 / 深度學習」製作的軟體系統對未來人類社會的衝擊，可說是來的又快又猛，沒有人能置身事外。其中又以導入「運算思維」這個「問題解決」的方法來教導「計算問題」之相關課程，越來越受到各級學校的重視。 全書分成三個部分，第一部分介紹「邏輯推理」與「Prolog 一階邏輯程式設計」，也就是所謂的「非資料驅動人工智慧」。第二部分則介紹「Python

“終於出了一本以Java實作資料科學應用程式的書，且它還討論到機器學習所需的線性代數與統計。這本書是Michael Brzustowicz在這個領域中經驗的精華，我強力推薦”。-Terence Parr舊金山大學分析學院創辦人、ANTLR解析產生器創建者資料科學因R與Python而蓬勃發展，但Java為今日的資料科學應用帶來堅實、方便與擴展性。Java軟體工程師可透過本書循序學習資料科學技能。作者

透過本書，讀者可以習得：了解程式交易是甚麼？與系統交易、量化交易與主客觀交易間有何區別？（第一章）為何程式交易可以解決投資過程心理與生理限制產生的問題？（第二章）程式交易的策略來源。（第三章）學習程式交易的資訊技術，從試算表、VBA、VB、VC#、R、Python、MultiCharts(PL)到XQ(XS)的使用。（第四章）如何擷取用以作回測的歷史交易資料，與驅動交易的即時資料。（第五章）如何在

 圍繞三大主線：神經網路、智慧推理、矩陣計算 提供豐富案例：近25個經典的演算法講解 解剖具代表性的演算法：Scikit-Learn、OpenCV、Theano 本書以機器學習原理和演算法編碼學習為主，內容分二大主線：單個演算法的原理講解和機器學習理論的發展變遷。演算法除包含傳統的分類、聚類、預測等常用演算法之外，還新增深度學習、貝氏網、隱馬克夫模型等內容。每個

《信號與系統》不僅是一本教科書，更是一趟橫跨數學、工程與藝術的深度旅程。它融合嚴謹的理論基礎與實務應用，從自然現象的建模到人造系統的設計，帶領讀者以邏輯與美感兼備的視角，理解這個世界如何透過「信號」與「系統」彼此連結與運作。 本書由淺入深，逐步建立讀者對信號與系統的完整認知，涵蓋內容廣泛且深入，包括：樂高般可組合的基本函數、連續與離散時間系統的性質、LTI 系統的建模、傅立葉與拉普拉斯轉換、數位取樣、濾波器設計，以及在無限維度希爾伯特空間中的頻譜解析。這些理論不僅涵蓋信號處理領域的核心概念，也為深入機器學習、電腦視覺、生醫工程、通訊技術等應用領域奠定堅實基礎。 書中以豐富的比喻與實例，將抽象概念具象化：阿爾罕布拉宮的幾何對稱激發數學美感；羅傑‧潘羅斯的視覺幻象帶出不可能的結構之思；音樂的和聲則引導讀者感受複指數函數的頻率美學。這些設計不僅啟發思考，更讓艱深的內容充滿人文與藝術的溫度。 每章節都精心編排，結合理論推導、Python 程式實作與大量範例，讓讀者不僅理解公式，更能實際操作、觀察與驗證。從簡單的時間平移與反轉，到進階的卷積運算與傅立葉轉換，透過實作，讀者將能直觀掌握信號如何變化、如何被解構與重建。

自ChatGPT上市滿週年以來，其熱潮未見減弱，OpenAI官方更積極拓展其應用範圍，推出了Plugins與GPTs等服務，進一步豐富ChatGPT的使用場景。這些創新的大型語言模型（LLM）應用，正在逐步轉變我們的軟體操作方式，將自然語言作為輸入介面，以生成的內容作為輸出回應。舉例來說，僅需輸入「明天10點安排業務會議，並通知相關人員」，LLM應用即可自動完成會議的建立與相關通知。這種方式，無疑是人類溝通中最為自然的模式。面對如此劃時代的變革，我們迫切需要適當的開發指導與策略。 本書旨在提供此類指南，專門解析目前市場上兩大主流的LLM應用開發框架—LangChain與Semantic Kernel。無論您是Python或.NET的開發人員，都能從本書中獲得寶貴的知識與技能。除此之外，本書還特別介紹了當前最受企業青睞的知識庫應用架構—RAG實作，以及提示工程的視覺化工具，每個主題都配有專章詳細介紹與實作教學，旨在為讀者提供全面而深入的學習體驗。 本書特色 1.首本涵蓋LangChain與Semantic Kernel框架教學指南在人工智慧領域，ChatGPT已成為不可忽視的焦點。雖然市場上有許多書籍從探討Prompt提示的調用出發，但真正深入探討如何整合外部系統或進行複雜Prompt提示的資料卻寥寥無幾。本書將填補這一空白，專注於兩大主流開發框架：LangChain與Semantic Kernel，為讀者提供深入指南。 2.內容涵蓋向量資料庫、RAGRAG是目前企業打造知識庫LLM應用的首選架構，其技術層面涵蓋向量、詞嵌入、提示工程，本書一一拆解為讀者提供詳細的RAG設計過程與實作。 3.提示流程視覺化工具提示流程視覺化工具是一種開發工具，目的在簡化由大型語言模型（LLM）提供之 AI 應用程式的整個開發週期。可簡化原型設計、實驗、反覆運算和部署 AI 應用程式的程式。本書手把手教學，甚至可以實現零程式碼建造LLM應用。適合非專業開發者使用。 4.本書適合的「讀者族群」a.想瞭解如何使用LangChain與Semantic Kernel的開發者b.想瞭解向量資料庫與RAG架構的開發者c.想瞭解Prompt提示工程視覺化設計的使用者d.想瞭解在企業面如何整合ChatGPT導入應用的技術主管 專業推薦

從零開始帶你了解雲端運算的組成！ 本書主要是針對雲端運算的從業人員所編寫的入門教材。內容以 AWS Academy 所提供的 AWS Academy Cloud Foundations 教材為主，並提供額外的練習實驗；主要的程式語言會以 Python 來示範，使用者可以在自己的帳號下完成，或是利用 AWS Learner Lab 學習帳號下完成。本書將內容規劃成5個部分，從零開始帶你了解雲端運算的組成，透過每個單元的實作讓你一步一步完成這份專案。 ● AWS 學習地圖：說明 AWS 專業證照的學習路徑。 ● 雲端運算概念：包含雲端運算簡介、成本、AWS 基礎設施與雲端安全責任共擔模型。 ● AWS 核心服務：介紹雲端網路配置、運算服務、儲存種類與資料庫等。 ● 雲端運算架構與監控：雲端運算架構設計原則，如何進行自動擴縮與監控。 ● AWS 認證與勳章：如何透過 AWS Academy 取得半價優惠券，準備考試練習與如何結合社群網路讓公司看到學習成效。 本書適合的「讀者族群」 ☑ 大專院校內雲端運算相關課程的學生 ☑ 擔任公司內部部署 IT 或雲端，但對 AWS 雲端不熟悉的人 ☑ 想在 AWS 雲端中探索職業生涯的人 ☑ 想考 AWS 雲從業人員認證（AWS Certified Cloud Practitioner）的人 ◇筆者 Github 專案網址◇ ｜https://github.com/yehchitsai/AWS_ACF｜

APCS為Advanced Placement Computer Science的英文縮寫，是指「大學程式設計先修檢測」。APCS考試類型包括：觀念題及實作題。觀念題是以單選題的方式進行測驗，考試重點在於程式設計概念、解決問題的運算思維或理解演算法的基礎觀念。在程式設計實作題可自行選擇以 C、C++、Java、Python 撰寫程式。本書的實作題程式是以Java為主。並根據APCS公告的觀念題及實作題，分別安排到各章的主題之中，目的就是希望各位在學習完某一特定主題後，可以馬上測試相關的APCS觀念題，以幫助各位讀者學以致用，清楚掌握考試的重點。為了降低讀者的學習障礙，本書範例都是完整的程式碼，以實作來引導觀念，書中所有範例程式已在最新版本的JDK的環境下重新編譯與執行，並確認執行結果正確無誤。期許本書能幫助各位具備以Java設計程式的基本能力，並完全具備應試APCS的程式設計實作能力，筆者相信經過本書的課程安排及訓練後，各位已紮實地培養了分析題目、提出解決方案及以Java設計程式的實作能力。

SAP是目前企業使用最普遍的ERP系統，其由R3版到目前最新版的HANA版，數以萬計的Table不容易熟悉與了解，致查核人員對SAP常有「不知從何開始查核的疑慮」。傳統稽核方式只能找到冰山的一角，唯有改變傳統無效的查核方式，方能確保查核的有效性，事先偵測冰山下的風險。AI人工智慧稽核技術快速發展，將先進的AI資料分析技術應用於銷售資料分析性的查核，可有效協助廣大使用SAP ERP系統的企業，善用資料分析與智能稽核，快速掌握風險，提升價值。 本講義經國際電腦稽核教育協會(ICAEA)認證，由具備國際專業稽核實務顧問群精心編寫，檢附完整實例演練資料，並可申請取得AI稽核軟體JCAATs教育版，讓學員以實務案例上機操作，充分學習如何運用AI人工智慧銷售資料分析技巧協助SAP ERP查核，快速找出異常掌握風險，提升工作成效。 JCAATs 為Python-Based AI新世代的通用稽核軟體，具有更多的AI人工智慧功能包含機器學習、文字探勘及OEPN DATA連結器等，讓稽核工具的使用從傳統的大數據資料分析，升級到AI人工智慧新稽核。歡迎會計師、稽核、財會、管理階層、大專院校師生及對智能稽核等有興趣的專業人士，加入智能稽核(Smart Audit)行列共同交流與學習。◎代理經銷 白象文化

文字探勘技術（Text Mining）與自然語言處理（NLP）被美國麻省理工學院（MIT）評選為未來十大最重要的技術之一，傳統合約查核對法務或稽核人員來說是一項耗時且耗人力的工作。然而，隨著AI人工智慧技術的快速發展，AI合約審查機器人能夠提供智能審查，提升審查效率和效果，避免合約控制失效所帶來的停工或違約損失裁罰等重大營運風險。 本講義經國際電腦稽核教育協會(ICAEA)認證，由具備國際專業稽核實務顧問群精心編寫，檢附完整實例演練資料，並可申請取得AI稽核軟體JCAATs教育版，讓學員以實務案例上機操作，充分學習如何結合AI人工智慧文字探勘技術快速辨識PDF 文字、PDF 上表格資料或透過OCR(光學字元辨識)對PNG 等圖檔格式進行文字辨識相關的合約文字。 JCAATs 為Python-Based AI新世代的通用稽核軟體，具有更多的AI人工智慧功能包含機器學習、文字探勘及OEPN DATA連結器等，讓稽核工具的使用從傳統的大數據資料分析，升級到AI人工智慧新稽核。歡迎法遵、會計師、內稽、各階管理人員、大專院校師生等有興趣的專業人士，加入智能稽核(Smart Audit)行列共同交流與學習。◎代理經銷 白象文化

本書特色1.多元又豐富的年輕化、生活化個案，協助讀者更親近人力資源。(1)「人資聚焦─經理人講堂」：運用章前個案引導觀念，並以問題討論加深思考方向。(2)「人資個案探討」：利用人資相關的實務案例來呼應本書內文，使讀者更能貼近理論意含。2.專欄「人資補給站」：補充相關新知或時事，讓讀者認識人資趨勢。3.附錄「勞工法令幫幫忙」：更新至2022年常用的60個勞工法令問題，協助讀者建立基本的法規觀念。4.各章末「課堂實作」：透過思考演練或分組互動的模式，探討人資相關議題。5.附錄C「離職員工的Python分析」：以離職員工統計為例，結合人資專業與數據分析趨勢。6.豐富圖表代替繁瑣文字，教學、閱讀上更加容易。內容簡介第一，參考美國人力資源認證協會在2018年發表之國際人力資源管理師證照，將整本書依照其最新的人資權重予以調整架構；第二，大幅度更新多元風格的個案，例如：Neuralink草創成員接連出走、星展銀行導入數位徵才、遠程辦公再來一年，福利制度會改嗎、皮克斯的便條日、Z世代年輕人好難帶？、Gamania橘子集團在創業路上一路打怪等，協助讀者更親近人力資源；第三，每章節後課堂實作，讓讀者學習人資相關的技術與遊戲，有助於思考及培養讀者理論與實務的整合力，不僅是未來從事人資工作，或是成為不同部門的主管，都能順利地銜接相關的經驗。人力資源管理的知識傳遞，以及為讀者提供職場實務上的經驗，成為本書在寫作時很重要的核心概念。

因應AI人工智慧時代來臨，全球商業科技人才需選用正確工具，才能迎向新的機會與挑戰! 本教材以大數據資料分析、文字探勘與機器學習等最新資訊科技在稽核應用為題，協助讀者了解資料分析與智能稽核最新發展。「JCAATs」為AI語言Python所開發的新一代稽核軟體，世界第一套可同時於PC或MAC環境執行，支援繁體中文、最視覺化且簡易的使用介面，讓非資訊技術背景者，也可輕鬆進行智能資料分析，透過內建之資料融合技術與OPEN DATA連結器等，快速地取得異質性資料即時分析，有效找出異常，提升職場競爭力。本書特色包含:提供最新智能稽核(Smart Audit)新知、稽核指令操作線上課程、實務案例演練資料庫與模擬試題練習。通過ICAEA國際電腦稽核教育協會認證，為JCCP及ICCP國際電腦稽核軟體應用師認證考試指定用書。購買書籍者，可免費上網申請JCAATs AI稽核軟體試用版及教學演練資料。本書提供完整實務案例演練資料，讀者可透過軟體上機實作，充分體驗最新智能稽核實踐方式，為會計師、稽核、法遵、風控、資安、各階管理者、大專院校師生等專業人士，學習資料分析與智能稽核之最佳參考資料。JACKSOFT並結合ICAEA國際電腦稽核教育協會提供完整的教學諮詢資源，適合商學院老師帶領學生學習如何善用AI工具，透過NO Code → Read Code → Write Code，循序漸進學習，快速進入新的數據分析與智慧稽核新環境，發揮專業價值。◎代理經銷 白象文化

近幾年 ESG 意識抬頭，上市櫃公司 2023年起需要進行溫室氣體盤查與查證資訊揭露，其內容包括溫室氣體直接排放及能源間接排放量。本講義主要以管理者角度，用深入淺出的方式，帶領讀者了解何謂碳邊境關稅及後續發展對成本的差異與影響，透過 Python-Based 的AI稽核工具 JCAATs 內建之OPEN DATA連結器，上機實例演練如何善用 OPEN DATA，將各項公告溫室氣體排放係數，透過人工智慧資料融合技術與資料分析，快速整理出乾淨與可信的內外部 ESG 資料，協助組織進行排放源鑑別分析及碳足跡計算，提升工作效果與效率。 本教材檢附完整實例練習資料，並可透過申請取得 AI 稽核軟體 JCAATs 教育版，充分體驗如何運用 AI 人工智慧協助 ESG 之落實實踐，歡迎會計師、內外部稽核人員、永續報告書專責人員、管理階層、大專院校師生及對ESG落實實踐有興趣深入了解者，共同學習與交流。◎代理經銷 白象文化

熟悉基礎，精通實戰。接續了上一本實戰篇的基礎，本書將介紹目前最流行的物體辨識和自然語言處理在圖神經網路上的最完整應用。當你熟悉了神經網路之後，接下來要精進的就是針對網路結果的強化及最佳化。在GNN的基礎上，針對目前最流行的視覺處理模型進行修改、架設及強化，並且實際應用在現有的平台上。本書的重點就是大量了使用現有的Python函數庫，並且應用了最新的資料集，讓你能真正看到資料套用在模型上的強大能力。在針對Pytorch的函數庫上，不但有視覺應用，更有號稱人工智慧明珠的NLP應用。使用了Torchtext以及NLP的唯一/最佳選擇Huggingface Transformers。而大家耳熟能詳，但又不知道怎麼用的模型，包括GPT-2、Transformer-XL、ALBERT、ELECTRA、DistillBERT等，在書中都有詳細介紹。另外為了解開DL的神祕，本書也難得介紹了Captum套件，讓深度神經網路更具可解釋性。本書最後也不忘介紹ZSL、這種極少量資料就可訓練高精度模型的方法。有關異質圖神經網路部分，也有大量DGL和NetworkX的範例，實戰篇+基礎篇兩本書，要不充分了解GNN都不行。本書亮點～GNN 最強實戰參考書～ 使用圖型的預訓練模型、Torschvision，GaitSet模型、CASIA-B資料集 高級NLP模型訓練及微調、BERTology、CBOW、Skip-Gram、Torchtext、spaCy 文字使用模型TextCNN來把玩IMDB資料庫 高階工程師才會用的Mist啟動函數、Ranger最佳化器 正宗NLP函數庫Huggingface Transformers詳解、AutoModel、AutoModelWithMHead、多頭注意力、PretrainedTokernizer

【本書特色】 著重PyTorch的實作與應用， 輕鬆進入深度學習與人工智慧領域！ ☛詳細說明深度學習的實作流程，以系統化步驟來處理各式的任務問題。 ☛介紹深度學習原理，實作DNN、CNN、RNN、LSTM、RL各種演算法。 ☛提供完整的程式範例，程式力求淺顯易懂，說明深入淺出。 ☛注重數據集的探索處理，可強化數據分析能力。 【內容簡介】 深度學習是人工智慧的一個分支，相較於傳統的機器學習，深度學習在某些領域中更接近人類智慧，而逐漸走進我們的生活中，常見的應用如人臉辨識、語音識別、智慧駕駛等。 PyTorch是一個開源的Python深度學習函式庫，這個軟體主要由Facebook的人工智慧研究團隊開發，而由於PyTorch的語法簡單，且擁有完善的文件說明，目前已成為開發深度學習的主要框架之一。 本書內容由淺入深，不只對PyTorch進行系統化的介紹，也詳細說明了神經網路、CNN網路、RNN網路及強化學習等主題。本書還安排了18個實習，以PyTorch實作深度學習的各種演算法，經由實作的過程，可有效幫助讀者學習，進入深度學習的世界。 【目標讀者】 ☛對深度學習有興趣的初學者，可讓讀者兼顧理論與實作。 ☛適用於大專院校「深度學習」課程的學生，可作為教師授課之用。 ☛已學過TensorFlow且想再學習PyTorch框架者，可對學習、研究及求職有很大的幫助。 ☛專案設計者、AI工程師、數據分析工程師，也很適合閱讀本書。

《誰說不能從武俠學程式？》破譯武林招式，看懂程式設計！‧郭靖的小紅馬在Scratch裡能任意變色？‧韋小寶加盟天地會誓詞是高階程式語言？‧黃蓉的計算能力比Python還強？‧用費波那契數列就能進入桃花島？以武俠小說的場景為媒介，讓武林絕招和程式設計理論緊密結合。只要你摸過電腦、玩過電動遊戲，熟悉鍵盤和滑鼠的操作，就能讀懂本書的程式邏輯。讀者朋友可以一邊學習編寫程式的基礎知識，一邊跟著範例練習編寫代碼，不但能真正感受到程式設計的樂趣，還能解決生活中很多意想不到的大小問題。本書從用PowerPoint製作基本動畫講起，再進入麻省理工學院開發的入門級動畫軟體Scratch，最後敲開程式設計的利器Python，循序漸進帶領讀者朋友理解程式世界的奧祕，並享受數位科技帶來的樂趣。《誰說不能從武俠學數學？》如果大俠懂數學，就能成為天下第一？‧《笑傲江湖》岳靈珊「屈指一算」就擊敗泰山派高手？‧《倚天屠龍記》張無忌被成崑誤導後就懂「負負得正」？‧《射鵰英雄傳》瑛姑如何用「算籌」開平方？‧《神鵰俠侶》楊過若懂「海倫－秦九韶公式」，就能算出活死人墓的面積？‧《天龍八部》虛竹飛渡峽谷救人前應該先學「相似三角形」？數學不只是生活的算帳工具，舉凡大地測量、工程規劃、汽車製造、飛機設計、導彈防禦、基因研究、疫情控制、金融創新、行銷調查、影視特效、電腦程式設計等領域，都發揮了不可替代的作用，如果沒有數學，這些發展都將停擺。李開周老師將數學知識掰開揉碎，用淺顯易懂的語言，撒進刀光劍影的武俠世界，讓知識能在江湖上載沉載浮，泛起可愛的小泡泡，讓對數學望而生畏的讀者一一戳破，進而感受到數學的用處與趣味。《誰說不能從武俠學化學？》跟楚留香一起上基礎化學課，用屠龍刀破解化學的奧祕！‧世上真有削鐵如泥的倚天劍嗎？如果存在，它的化學原理是什麼？‧蒙汗藥、斷腸散、五鼓斷魂香、含笑半步跌，這些毒藥到底包括哪些化學成分？‧五行陣加八卦陣，不如一個「鈧」的電子排列？‧《俠客行》的石破天和石中玉兄弟，恰好說明了生長環境對同素異形體的影響？‧黃金明明愈純愈軟，用牙齒都咬得出痕，江湖人物為何愛用金刀？我們的生活周遭，不論是植物或動物、海洋或陸地，無論是自然形成的物質，還是人為創造的物體，歸根究柢都是化學，都是化學元素的神奇組合，而那些我們無比熟悉又誘人的武俠故事，正是打開化學之門的最佳鑰匙。《誰說不能從武俠學物理？》物理學說明

【本書特色】 繼台灣人工智慧領域最暢銷著作《TensorFlow+Keras深度學習人工智慧實務應用》之後，大數據分析大師、暢銷名作家 林大貴最新力作《圖解TensorFlow 2初學篇：實作tf.keras + Colab雲端、深度學習、人工智慧、影像辨識》嶄新登場！解決學習TensorFlow 2的障礙，輕鬆進入深度學習與人工智慧領域！ ✪漸進式系統化學習TensorFlow 2 ✪圖解輕鬆理解深度學習與人工智慧 ✪Step by Step實作快速上手 ✪Colab節省訓練模型的時間與金錢 ✪養成深度學習模型直覺式的理解 ✪學會TensorFlow 2的最新技術 ✪學會影像辨識模型從原理到實作 ✪學會訓練深度學習模型的實務經驗 【內容簡介】 TensorFlow 2是最受歡迎的「人工智慧與深度學習」平台，學會了TensorFlow 2，對於你的現有工作提升與未來轉職都有很大的幫助，然而多數人在學習過程中卻遇到了很多困難，而本書能解決學習TensorFlow 2的障礙。 ✪漸進式系統化學習TensorFlow 2 本書是《圖解TensorFlow 2》系列叢書的第一本初學篇，本系列叢書主要是幫助初學者解決進入此領域的障礙，循序漸進有系統地學習「TensorFlow 2與人工智慧、深度學習」，本系列叢書詳細說明於本書序言。 ✪圖解輕鬆理解深度學習與人工智慧 很多讀者都是在百忙之中抽空學習，本書以很多的「圖解」來解說深度學習原理與程式系統的架構圖。由於「一張圖勝過千言萬語」，比起文字的說明，「圖解」更可讓原理易懂且印象深刻。 ✪Step by Step實作快速上手 你只需要有Python基礎，依照本書範例程式碼Step by Step的詳細解說，便可讓你快速學會實作不同的深度學習模型。 ✪節省訓練模型的時間與金錢 本書介紹Google Colab，只需要有Google帳號與瀏覽器，就能夠免費使用GPU訓練模型，加快訓練速度十多倍以上，可節省你採購與安裝顯示卡的昂貴費用。 ✪培養「深度學習模型」直覺式的理解 本書介紹玩TensorFlow Playground理解深度學習的原理。透過實際示範，讓你眼見為憑（有圖有真相），例如：什麼是「神經元」？什麼是「過度擬合」（overfitting）？並了解如何設定超參數等。 ✪學會TensorFlow 2的最新技術 本書介紹Ten

👉👉👉超好評！首版上市累積銷售數千本～ ☝ 感謝讀者熱情支持，再版推出暢銷回饋嘉惠更多朋友 ☝ 好評再上市，回饋發行中！ 專業的投資理財，需要金融知識、資料分析與資訊技術等三者的結合。而具備資訊技術的工程師學習金融理財，只欠東風，藉由本書提供的金融專業與資料分析的方法，將幫助工程師善用程式工具，來學習投資理財。 Python及R語言簡單好用，函數工具與套件齊全，延伸應用廣泛，並且在統計、圖形繪製、網路資料擷取上都很方便。藉由本書118個技巧與案例的逐步演練及說明，再加上工程師本身的資訊技能，學習金融科技理財，如獲降龍十八掌。 在資訊技術逐漸滲入金融領域的同時，傳統的交易與理財工具也不斷的改變與進化。另外，隨著網路的普及，許多的資料與行為數據公開在網路上，可讓使用者分析與取用，形成金融科技應用的一個領域。 本書的第一章先介紹商品，使你對於市面的商品及其應用有初步的認知，接著第二、三章則介紹資料的取得方式，能將資料載入程式中使用。後續的章節內容繼續說明常見的投資商品與應用方式，並加上程式的輔佐應用介紹，最後介紹國內券商的即時報價與下單，可給你基礎的金融交易概念。 【工程師為何要學習理財？】 ◎工程師具備資訊技能，能掌握資訊工具進行數據分析，易於進入量化與自動化的理財領域。 ◎工程師喜歡探索問題，並找出解決方案，透過方法與工具的學習，可找出屬於自己的理財方式，並交由程式執行。 ◎工程師有自己的職能工作，無法像專業操盤手一樣，有很多時間盯盤，交給程式輔助判斷或是自動執行，是最合適的方式。

內容介紹: 【世界發生劇變！銷售 AI 化勢在必行！】AI 議題已經講了好多年，然而絕大多數的企業仍然沿用老路子做生意，亂槍打鳥式的銷售方式也沒甚麼進步。然而時代不同了，既然有 AI 這個好工具為何不用？因為不懂不會所以不知該如何開始？眼睜睜看著 Google、Facebook 靠著 AI 化的銷售技術大賺特賺！其實，AI 不是大企業才能作，中小企業也可以，但不是全面做，而是挑選適合的做。最容易做到且很快就能換成實績的就是行銷、業務的銷售工作，只要利用自身累積的銷售與客戶等資料就行，讓 AI 自動找出其中隱藏的銷售密碼，並直接運用在工作中驗證，這就是本書的主軸：銷售 AI 化，讓機器學習來幫忙。【AI 不是打高空，要落實在工作中】許多工程師學了 AI 技術，卻不知道如何讓技術落地！其實開發以銷售為目的的 AI 並不需要高深的技術，只要用機器學習就能辦到。書中範例使用的都是真實企業產生的工作資料，例如要預測潛在客戶時，可讓 AI 從客戶職業、年齡與過去的銷售實績等資料自動學習，找出資料間的關係建出模型並做出預測，我們就可以對商品或客戶擬定策略去執行計畫。也可以依據過去幾年的每日銷量，考慮節假日的影響，利用 Facebook 提供的時間序列套件去預測未來一段時間的銷量等等。重要的商用實作範例包括：●銷售成交預測●銷量或來客數預測●季節週期性變化預測●推薦商品提案●根據客群制定銷售策略本書由世界 500 大企業 Accenture (埃森哲) 公司的 AI 集團資深總監親自執筆，規劃出開發 AI 專案的標準流程，從選擇適合引入工作中的 AI 開始，一路到訓練資料的取得、資料加工、選擇演算法及建立 AI 模型之後的評估與調整等 9 大步驟。即使沒有開發過 AI 專案經驗的人也不用擔心，只要跟著動手做，就能看到成果。書中的案例會實作監督式學習與非監督式學習中「分類」、「迴歸」、「時間序列」、「關聯分析」、「分群」、「降維」等各種演算法，讓讀者依照問題的類型選擇適用的處理模式。而且每個專案都不馬虎，從頭做到尾一遍一遍演練 SOP，將流程深深印入腦海，熟悉每個步驟之後才能順利應用到自己的專案。【邁向資料科學家之路】書中提供的所有 Python 程式都是可以運用在實務工作上的原型，每個人都可以利用這些原型建出自己想要的機器學習模型。了解如何從實務觀點建立 AI，藉由本

在Hadoo/Spark/Mahout/Tensorflow上跑多機器多片GPU的機器學習 機器學習在神經網路和GPU流行起來之後大放異彩，連販夫走足都CNN/RNN朗朗上口，然而許多企業/研究機關/學校在花了大筆預算購買昂貴的硬體時，卻不知如何採購，更不用說如何應用這些硬體來進行研發或產品開發了。本書作者是知名電商的創辦人，其不止在機器學習上有十足的實務經驗，在面對大量資料的場景下，更能利用前人的智慧，用上了Big Data最流行的Hadoop/Spark平台。尤有甚者，在新一代的AI函數庫面世時，也能充分利用這些函數庫的GPU加速，將多機器，多GPU的資源應用在大型專案上。 ▌業界獨有 全書以Hadoop/Spark為基礎，加上使用了最流行的TensorFlow on Hadoop，更使用了分散式系統最老牌的Mahout，有別於一般只介紹Python/TensorFlow的坊間書籍，是市場上唯一僅有完整從Hadoop一直延伸到神經網路。 ▌內容完整豐富 本書以分散式機器學習為主線，以實戰為主要目的。共分為8章，分別介紹網際網路公司巨量資料和人工智慧、巨量資料演算法系統架構、巨量資料基礎、Docker容器、Mahout分散式機器學習平台、Spark分散式機器學習平台、分散式深度學習實戰、完整工業級系統實戰（推薦演算法系統實戰、人臉辨識實戰、對話機器人實戰）等內容。 適合讀者 適合分散式機器學習的初學者閱讀，對於有一定經驗的分散式巨量資料方向的從業人員及演算法工程師，也可以從書中獲取很多有價值的知識，並透過實戰專案更佳地理解分散式機器學習的核心內容。

一書搞定：從初始化 LINE 聊天機器人到發送華麗的 FlexMessage！ 從 Heroku 跨足到輕量簡潔的 AWS Lambda！ ●深入淺出的教學，完全了解LINE聊天機器人的運作原理。 ●生動有趣的範例，完全活用LINE聊天機器人的各式功能。 ●勤勞樸實的開銷，完全探索LINE聊天機器人的免費資源。 本書改編自第11屆iT邦幫忙鐵人賽 Modern Web 組優選網路系列文章---《從

不會艱深晦澀、不再高深莫測 你一定能看懂的自然語言處理入門書！ INTRODUCTION TO NATURAL LANGUAGE PROCESSING ♘Java與Python雙實作：圖文並茂！演算法、數學公式、程式碼相輔相成。 ♘探索式學習路徑：循序漸進！從問題、演算法再到範例實作，一目瞭然。 編輯推薦 作者匯集多年經驗，從基本概念出發，逐步介紹中文分詞、詞性標註、命名實體識別、資訊抽取、文字聚類、文字分類、句法分析這幾個熱門問題的演算法原理與工程實作。透過講解多種演算法，比較它們的優缺點與適用場景，同時詳細展示實際專案導向的程式碼，協助讀者真正將自然語言處理（NLP）應用到正式環境之中。 儘管作者目前是NLP領域的翹楚，但他曾是非本科生，對自學入門有親身體驗，深諳初學者的學習痛點。希望透過這本與眾不同的入門讀物，為讀者打開另一扇機會之門，幫助你零起點上手NLP，讓你在通勤時也能把書讀完讀懂！ 隨著本書的學習，你將從普通程式設計師晉級為機器學習工程師，最後進化為NLP工程師。 專家好評 HanLP作者何晗寫的這本書值得一讀。這本書系統性地介紹NLP的基礎技術，深入淺出、容易理解，對初學者助益極大。 周明 微軟亞洲研究院副院長，國際計算語言學會會長 本書不僅介紹NLP的任務及演算法，也提供可以實際執行的線上程式碼，非常適合NLP初學者入門並快速部署到正式環境。 王斌 小米人工智慧實驗室主任、NLP首席科學家

本書提供穩固而札實的實務基礎，讓你有能力解決各種NLP任務。本書涵蓋NLP的各個面向，除了理論基礎之外，更強調實務方面的實作。在解決各種NLP任務時，如果能在實務方面擁有良好的基礎，一定有助於你順利過渡到更高級的理論架構。此外，若能在實務方面有更扎實的理解，也就可以讓你更充分利用特定領域的知識，進而對演算法做出更好的調整。透過本書，您將可以：．了解NLP的概念與各種自然語言處理方法．如何應用Ten

――――超人氣暢銷書《演算法圖鑑》姊妹作，機器學習初學者最佳入門書！―――― 人工智慧時代關鍵能力！深度學習深在哪裡？強化運算思維，建構邏輯概念，一次弄懂深度學習活用之道！ ★ 精闢剖析深度學習發展史，詳述機器學習的基礎知識！★ 完整解說熱門程式語言第一名Python的環境建構和基本語法！★ 圖像化示範TensorFlow和Keras的安裝，開發AI必學必讀！★ 介紹類神經網路

國內外最具代表性案例兩大雲端應用、15項分類實例、9大專題實戰自然語言、文字識別、語音轉換、分析預測、物件自動標示、影像辦識真正實練！從資料收集整理、模型訓練調整，檢測修正到產出全面解秘！資料科學(Data Science)技術崛起後，人工智慧(Artificial Intelligence)、機器學習(Machine Learning)與深度學習(Deep Learning)儼然成為電腦科學最熱

同時收錄Java/C#/Python類似指標的Reference主題 ‧探討C/C++語言指標的基本概念及它與變數、陣列、結構和檔案之間的應用。 ‧同時剖析Java、C#、Python類似指標的Reference主題。 ‧分別以指標和Reference實作鏈結串列、堆疊與佇列、二元搜尋樹、檔案的處理。 ‧針對下列14個主題，分別比較在C、C++、Java、C#、Python等五種語言的寫法: 01

Python語言易於學習，有效率良好的高階資料結構，物件導向程式設計也比Java/C++這類語言簡單，此外，功能還十分強大，Python語言功能強大的原因就在於Python有提供標準程式庫。本書是針對Python 3編纂的程式庫參考手冊，對Python標準程式庫的模組進行類別、方法以及函式之說明，搭配範例，列表成冊，提高參考價值。 本書的重點在於下列這幾個方面的模組：■ 內建函式■ 數學運算■

．進階封包分析技巧，掌握數據來源熟悉度。 ．逐步說明的實戰範例，輕鬆學會網站爬蟲技巧。 ．清楚分類網站類型，系統性了解網站全貌。 ．多語言開發技巧，快速提升程式開發能力。 ．多元開發技巧，節省自行搜尋與研究時間。 本書著重多語言操作應用（Excel VBA、Python、JavaScript）與多解法開發爬蟲程式、網路封包側錄分析、網站資料尋找分析，有別於坊間爬蟲書籍僅以Python作為爬蟲操作語

本書說明目前最流行的Python 爬蟲架構Scrapy，它簡單好用、靈活易擴充、文件豐富、開發社區活躍，使用Scrapy 可以高效率地開發網路爬蟲應用。本書的讀者只需要有Python 語言基礎即可，我們從零基礎、逐步由淺入深說明。全書共14章，系統地介紹Python流行框架Scrapy的相關技術及使用技巧。第1～8 章說明Scrapy 開發的核心基礎部分，重點介紹Scrapy的核心元素，如spid

本書介紹量子電腦與量子計算的理論基礎，並結合IBM Q Experience實作，帶領讀者初步窺探這個嶄新而有趣的領域，迎接「量子霸權」時代的來臨。採主題介紹方式，循序漸進、深入淺出。內容涵蓋量子電腦、量子力學、數學、量子硬體、量子計算、量子演算法等理論基礎，並結合IBM Q Experience進行電路作曲家、Python與Qiskit程式等實作過程，強調理論與實務的緊密結合，實現「

建立智慧系統的概念、工具與技術“這是一本卓越的機器學習資源，有清楚、直觀的解說，以及大量實用技巧。”—François CholletKeras作者，《Deep Learning with Python》作者“這本書詳細介紹以神經網路解決問題的理論與做法；建議想要實際運用ML的人都要看這本書。”—Pete WardenTensorFlow行動主管深度學習經歷了一系列的突破之後，已經大幅推動了整個機