Fundamental of Deep Learning in Practice /
ณัฐโชติ พรหมฤทธิ์
Fundamental of Deep Learning in Practice / ณัฐโชติ พรหมฤทธิ์ - กรุงเทพฯ : ไอดีซี พรีเมียร์ 2564 - 490 หน้า : ภาพประกอบ ; 23 ซม.
ทำความรู้จักกับ AI พื้นฐาน Machine Learning และการเตรียม Environment หน้า 1-39 -- Machine Learning Pipeling หน้า 40-66 -- การทำ Feature engineering ด้วย Pandas หน้า 67-88 -- การอิมพลิเมนต์ Back propagation algorithm ด้วย Numpy หน้า 89-102 -- การใช้ความชันจากการสุ่มแบ่งข้อมูลฝึกเพื่อลดค่า LOSS ในการสอน Neural Network model ด้วย Tensorflow และ Keras หน้า 103-123 -- วิธีปรับค่า Learning rate และ Momentum เพื่อเพิ่มประสิทธิภาพให้ Machine Learning model หน้า 124-143 -- การวิเคราะห์ประสิทธิภาพ Machine learning model ด้วย Learning curve หน้า 144-173 -- การทำ Regularization แบบสมัยใหม่ด้วย Augmentation, Batch normalization และ Dropout หน้า 174-210 -- การ Visualizing kernels และ Feature maps ใน Deep learning model (CNN) หน้า 211-245 -- การเลือกใช้ Loss function ในการ Train deep learning model หน้า 246-307 -- การประยุกต์ใช้ Evaluation metrics เพื่อหา model ที่ใช้งานได้จริง หน้า 308-336 -- การ DEPLOY Machine learning model บน Production ด้วย Fastap, Uvicorn และ Docker หน้า 337-368 -- การสอน AI เรียนรู้การเล่นเกมด้วย Deep reinforcement learning บน Google colab pro หน้า 369-413 -- การ Transfer learning ด้วย Keras สำหรับ Computer Vision Applications หน้า 414-462 -- การทำระบบแนะนำหนังสือ (Book Recommendation workshop) หน้า 463-489
9786164872745 545
ปัญญาประดิษฐ์
การเขียนโปรแกรมสำหรับระบบฐานความรู้
MACHINE LEARNING
ARTIFICAL INTELLIGENCE
Q 335 / ณ328ฟ 2564
Fundamental of Deep Learning in Practice / ณัฐโชติ พรหมฤทธิ์ - กรุงเทพฯ : ไอดีซี พรีเมียร์ 2564 - 490 หน้า : ภาพประกอบ ; 23 ซม.
ทำความรู้จักกับ AI พื้นฐาน Machine Learning และการเตรียม Environment หน้า 1-39 -- Machine Learning Pipeling หน้า 40-66 -- การทำ Feature engineering ด้วย Pandas หน้า 67-88 -- การอิมพลิเมนต์ Back propagation algorithm ด้วย Numpy หน้า 89-102 -- การใช้ความชันจากการสุ่มแบ่งข้อมูลฝึกเพื่อลดค่า LOSS ในการสอน Neural Network model ด้วย Tensorflow และ Keras หน้า 103-123 -- วิธีปรับค่า Learning rate และ Momentum เพื่อเพิ่มประสิทธิภาพให้ Machine Learning model หน้า 124-143 -- การวิเคราะห์ประสิทธิภาพ Machine learning model ด้วย Learning curve หน้า 144-173 -- การทำ Regularization แบบสมัยใหม่ด้วย Augmentation, Batch normalization และ Dropout หน้า 174-210 -- การ Visualizing kernels และ Feature maps ใน Deep learning model (CNN) หน้า 211-245 -- การเลือกใช้ Loss function ในการ Train deep learning model หน้า 246-307 -- การประยุกต์ใช้ Evaluation metrics เพื่อหา model ที่ใช้งานได้จริง หน้า 308-336 -- การ DEPLOY Machine learning model บน Production ด้วย Fastap, Uvicorn และ Docker หน้า 337-368 -- การสอน AI เรียนรู้การเล่นเกมด้วย Deep reinforcement learning บน Google colab pro หน้า 369-413 -- การ Transfer learning ด้วย Keras สำหรับ Computer Vision Applications หน้า 414-462 -- การทำระบบแนะนำหนังสือ (Book Recommendation workshop) หน้า 463-489
9786164872745 545
ปัญญาประดิษฐ์
การเขียนโปรแกรมสำหรับระบบฐานความรู้
MACHINE LEARNING
ARTIFICAL INTELLIGENCE
Q 335 / ณ328ฟ 2564