AI與大數據技術導論(基礎篇):發展歷程、產業鏈、運算模式、機器學習……從理論概述到核心技術,深度探索人工智慧![79折]11101022907 TAAZE讀冊生活網路書店
1. 透過LINE購物進入蝦皮後禁止再透過蝦皮直播下單,避免訂單認列異常
2. 請務必「清空」蝦皮購物車,再透過LINE購物連結至蝦皮商店進行購買 ;先把商品加入購物車,再從LINE購物連結至蝦皮結帳,將無法獲得點數回饋。
3. 請避免連續下單,若您完成交易後,想下第二張訂單,請重新從LINE購物連結至蝦皮商店進行購買
4. 電子票券及繳費服務類別:回饋0%。
5. 請留意,蝦皮超市內的商品(蝦皮超市、蝦皮直送美妝、蝦皮免運直送)不隸屬於蝦皮商城,點數回饋請依照「蝦皮超市」商店頁為主。
6. 蝦皮商城之訂單適用於部分點數紅包,規範請依該紅包頁說明為主。
7. 點數回饋將依照蝦皮提供扣除折價券、運費與蝦幣後之最終金額進行計算。
8. 同一商品品項(即便不同尺寸規格),皆會計入同一筆返點上限進行計算
9. 用戶需於同一瀏覽器進行交易(若自動跳轉 APP,請在 APP交易)。
10. 若使用不同物流或付款方式,將拆分成不同筆訂單編號發送通知。
11. 若使用折價券折抵,可能會有攤提折抵導致訂單金額些微落差
12. 蝦皮會將LINE的導購跳轉紀錄與蝦皮的會員ID進行綁定,若後續七天內未透過其他媒體來源導入蝦皮官網,則七天內於該蝦皮帳號下訂的首筆訂單會被蝦皮認列為該LINE用戶導購跳轉時所成立之訂單。
13. 若同一用戶使用一個以上蝦皮帳號透過LINE購物進行導購,將可能導致無法收到導購通知,亦可能無法收到點數,再請留意。
[注意事項]
1.如導購途中用戶由網頁版(電腦版/手機版網頁)切換為 App 會造成追蹤中斷而無法進行 LINE Points 回饋
2.若購買過程中關閉蝦皮APP,則需重新透過LINE購物前往蝦皮商城,否則無法進行LINE POINTS 回饋。 / 3.如用戶先前往蝦皮商城將商品加入購物車,後續透過LINE購物前往至蝦皮商城將購物車結清,此方案將不列入 LINE Points 回饋
4.若因系統異常無法追蹤訂單,致使消費者無接收到點數回饋,蝦皮保有更改條款與法律追訴之權利
5. LINE購物商品價格若與蝦皮賣場實際價格有異,以蝦皮賣場價格為準商品描述
商品資料
作者:楊正洪郭良越、劉瑋
出版社:崧燁文化事業有限公司
出版日期:2023/11/15
ISBN/ISSN:9786263578067
語言:繁體/中文
裝訂方式:平裝
頁數:356
原價:450
------------------------------------------------------------------------
內容簡介
「沒有大量資料支撐的人工智慧就是人工智障」
AI是什麼?為什麼熱門?是否已經成熟?
跟著本書搞懂資料科學,跟上未來趨勢!
▎人工智慧用於何處?
2017年是人工智慧(Artificial Intell
【人工智慧概述】
首先為讀者解釋了AI的基礎概念,探索其技術的成熟度,並對美國和中國的AI現狀進行比較。此章還概述了AI與雲端運算和大數據的深層關係及歷史發展。
【AI產業、資料及機器學習】
從AI產業的基礎層、技術層到應用層逐層深入,並介紹大數據的基本概念、現狀及其在中國的運算模式。此外,機器學習作為AI的核心,我們著重於其基本概念和資料的預處理方法。
【模型和機器學習的演算法】
從模型的基礎訓練到評估,以及各類型的機器學習演算法,如支援向量機、KNN和決策樹等,這些都為讀者提供了全面的視野。
【探討深度學習】
深度學習是AI的另一個重要分支,本章專門探討此領域,涵蓋從基本神經網路到卷積神經網路的各種技術。
本書特色:本書全面講述人工智慧與大數據涉及的技術,共分7章,包括人工智慧概述、AI產業、資料、機器學習概述、模型、機器學習算法、深度學習等。閱讀完本書後,讀者將對人工智慧技術有全面的理解,並能掌握AI整體知識架構。
作者簡介
楊正洪,在矽谷從事AI和大數據相關研發工作十餘年,是海外智庫專家顧問,曾擔任在美上市公司CTO、北京某國企CIO和上海某國企高階副總裁等職。出版了《智慧城市》、《大數據技術入門》等多本暢銷書。
郭良越,專職作者。
劉瑋,專職作者。
目錄
前言
第1章 人工智慧概述
1.1 AI是什麼
1.2 AI技術的成熟度
1.3 美國AI龍頭分析
1.4 中國AI現狀
1.5 AI與雲端運算和大數據的關係
1.6 AI技術路線
1.7 AI國家策略
1.8 AI的歷史發展
第2章 AI產業
2.1 基礎層
2.2 技術層
2.3 應用層
2.4 AI產業發展趨勢分析
第3章 資料
3.1 什麼是大數據
3.2 中國國內大數據現狀
3.3 大數據的運算模式
3.4 大數據技術
3.5 資料平臺
3.6 大數據的商用途徑
3.7 大數據產業
3.8 政府大數據案例分析
第4章 機器學習概述
4.1 走進機器學習
4.2 機器學習的基本概念
4.3 資料預處理
第5章 模型
5.1 什麼是模型
5.2 誤差和MSE
5.3 模型的訓練
5.4 梯度下降法
5.5 模型的擬合效果
5.6 模型的評估與改進
5.7 機器學習的實現框架
第6章 機器學習演算法
6.1 演算法概述
6.2 支援向量機演算法
6.3 邏輯迴歸演算法
6.4 KNN演算法
6.5 決策樹演算法
6.6 整合演算法
6.7 聚類演算法
6.8 機器學習演算法總結
第7章 深度學習
7.1 走進深度學習
7.2 神經網路的訓練
7.3 神經網路的最佳化和改進
7.4 卷積神經網路
7.5 深度學習的優勢
7.6 深度學習的實現框架