SlideShare uma empresa Scribd logo
1 de 45
人工智慧
教師:陳志華博士
報告大綱-神經網路(TensorFlow+Keras)
線性迴歸實作
邏輯迴歸實作
神經網路實作
神經網路應用案例
2
線性迴歸實作
資料分佈呈現線性分佈
線性迴歸
◦ 線性函式
◦ 機器學習後結果
3
X Y
0.1 0.3
0.2 0.4
0.3 0.5
0.4 0.6
0.5 0.7 0
0.2
0.4
0.6
0.8
1
0 0.1 0.2 0.3 0.4 0.5 0.6
y
x
想像有一條迴歸線(以紅色表示)的存在,
可以讓每個點(以藍色表示)到迴歸線之間的
距離最小
bxwy ˆ
2.01ˆ  xy
迴歸線(以紅色表示)為
2.01  xy
線性迴歸實作
#安裝tensorflow函式庫
install.packages('tensorflow')
#安裝keras函式庫
install.packages('keras')
4
使用深度學習套件
「tensorflow」和
「keras」訓練模型
線性迴歸實作
#引用tensorflow函式庫
library(tensorflow)
#引用keras函式庫
library(keras)
5
使用深度學習套件
「tensorflow」和
「keras」訓練模型
線性迴歸實作
#讀取訓練資料
training_data <- read.csv(file.choose(),
header = TRUE)
6
線性迴歸實作
#設定亂數種子
use_session_with_seed(0)
#設定神經網路結構
model <- keras_model_sequential()
#輸入參數: 1個,輸出參數: 1個,線性函式
model %>%
layer_dense(units = 1, activation =
"linear", input_shape = c(1))
7
設定固定的亂數種子,
讓權重初始值可以一致
輸入參數: 1個,
輸出參數: 1個,
線性函式
線性迴歸實作
#設定神經網路學習目標
model %>% compile(
#最小平方誤差
loss=‘mean_squared_error’,
#梯度下降
optimizer='sgd'
)
8
學習目標為最小平方誤差
最佳化方法為梯度下降法
線性迴歸實作
#訓練神經網路
history <- model %>% fit(
training_data$X, #輸入參數
training_data$Y, #輸出參數
epochs = 3000, #訓練回合數
batch_size = 1 #逐筆修正權重
)
9
設定輸出參數為Y
設定輸入參數為X
訓練回合數為3000
採用逐筆修正權重的方式
線性迴歸實作
#顯示神經網路權重值
model$get_weights()
10
線性迴歸實作
#將測試資料代入模型進行預測,並取得
預測結果
results <- model %>% predict(
training_data$X
)
#呈現估計結果
print(results)
11
輸入資料進行估計
線性迴歸實作
執行程式,並取得估計結果
12
估計結果
權重組合0.999
3.986
邏輯迴歸實作
資料分佈呈現線性分佈
線性迴歸
◦ 線性函式
◦ 機器學習後結果
13
X Y
0.1 0.3
0.2 0.4
0.3 0.5
0.4 0.6
0.5 0.7
 
  z
zSigmoid
xSigmoidy



1
194.1986.3
 
  z
e
zSigmoid
bxwSigmoidy




1
1
0
0.2
0.4
0.6
0.8
1
0 0.1 0.2 0.3 0.4 0.5 0.6
y
x
迴歸線(以紅色表示)為
邏輯迴歸也能得到
接近線性的解
 
  z
e
zSigmoid
xSigmoidy




1
1
194.1986.3
邏輯迴歸實作
#安裝tensorflow函式庫
install.packages('tensorflow')
#安裝keras函式庫
install.packages('keras')
14
使用深度學習套件
「tensorflow」和
「keras」訓練模型
邏輯迴歸實作
#引用tensorflow函式庫
library(tensorflow)
#引用keras函式庫
library(keras)
15
使用深度學習套件
「tensorflow」和
「keras」訓練模型
邏輯迴歸實作
#讀取訓練資料
training_data <- read.csv(file.choose(),
header = TRUE)
16
邏輯迴歸實作
#設定亂數種子
use_session_with_seed(0)
#設定神經網路結構
model <- keras_model_sequential()
#輸入參數: 1個,輸出參數: 1個,線性函式
model %>%
layer_dense(units = 1, activation =
“sigmoid", input_shape = c(1))
17
設定固定的亂數種子,
讓權重初始值可以一致
輸入參數: 1個,
輸出參數: 1個,
S型函式
邏輯迴歸實作
#設定神經網路學習目標
model %>% compile(
#最小平方誤差
loss=‘mean_squared_error’,
#梯度下降
optimizer='sgd'
)
18
學習目標為最小平方誤差
最佳化方法為梯度下降法
邏輯迴歸實作
#訓練神經網路
history <- model %>% fit(
training_data$X, #輸入參數
training_data$Y, #輸出參數
epochs = 30000, #訓練回合數
batch_size = 1 #逐筆修正權重
)
19
設定輸出參數為Y
設定輸入參數為X
訓練回合數為30000
採用逐筆修正權重的方式
邏輯迴歸實作
#顯示神經網路權重值
model$get_weights()
20
邏輯迴歸實作
#將測試資料代入模型進行預測,並取得
預測結果
results <- model %>% predict(
training_data$X
)
#呈現估計結果
print(results)
21
輸入資料進行估計
邏輯迴歸實作
執行程式,並取得估計結果
22
估計結果
權重組合3.986
資料分佈呈現線性分佈
神經網路
◦ 線性函式
◦ 機器學習後結果
-3.189
-3.223
 
   
 
12
1
298.1223.3
557.0189.3
zSigmoidy
zSigmoidz
xz



 
 
  z
e
zSigmoid
zSigmoidy
bzSigmoidwzbxwz





1
1
,
2
2122111
神經網路實作
23
X Y
0.1 0.3
0.2 0.4
0.3 0.5
0.4 0.6
0.5 0.7 0
0.2
0.4
0.6
0.8
1
0 0.1 0.2 0.3 0.4 0.5 0.6
y
x
神經網路模型(以紅色表示)為
神經網路也能得到
接近線性的解
 
   
 2
12
1
298.1223.3
557.0189.3
zSigmoidy
zSigmoidz
xz



神經網路實作
#安裝tensorflow函式庫
install.packages('tensorflow')
#安裝keras函式庫
install.packages('keras')
24
使用深度學習套件
「tensorflow」和
「keras」訓練模型
神經網路實作
#引用tensorflow函式庫
library(tensorflow)
#引用keras函式庫
library(keras)
25
使用深度學習套件
「tensorflow」和
「keras」訓練模型
神經網路實作
#讀取訓練資料
training_data <- read.csv(file.choose(),
header = TRUE)
26
神經網路實作
#設定亂數種子
use_session_with_seed(0)
#設定神經網路結構
model <- keras_model_sequential()
#輸入參數: 1個,輸出參數: 1個,線性函式
model %>%
layer_dense(units = 1, activation =
“sigmoid", input_shape = c(1)) %>%
layer_dense(units = 1, activation =
“sigmoid")
27
設定固定的亂數種子,
讓權重初始值可以一致
輸入層: 輸入參數: 1個, 輸出參數: 1個, S型函式
隱藏層: 輸入參數: 1個, 輸出參數: 1個, S型函式
神經網路實作
#設定神經網路學習目標
model %>% compile(
#最小平方誤差
loss=‘mean_squared_error’,
#梯度下降
optimizer='sgd'
)
28
學習目標為最小平方誤差
最佳化方法為梯度下降法
神經網路實作
#訓練神經網路
history <- model %>% fit(
training_data$X, #輸入參數
training_data$Y, #輸出參數
epochs = 30000, #訓練回合數
batch_size = 1 #逐筆修正權重
)
29
設定輸出參數為Y
設定輸入參數為X
訓練回合數為30000
採用逐筆修正權重的方式
神經網路實作
#顯示神經網路權重值
model$get_weights()
30
神經網路實作
#將測試資料代入模型進行預測,並取得
預測結果
results <- model %>% predict(
training_data$X
)
#呈現估計結果
print(results)
31
輸入資料進行估計
神經網路實作
執行程式,並取得估計結果
32
估計結果
權重組合
-3.189 -3.223
神經網路應用案例
開放資料-臺灣證券交易所
◦ 網址:
http://www.twse.com.tw/zh/page/trading/ex
change/FMTQIK.html
資料集服務分類
◦ 盤後資訊
◦ 臺灣跨市場指數
◦ TWSE自行編製指數
◦ 與FTSE合作編製指數
◦ 與銳聯合作編製指數
◦ 與S&PDJI合作編製指數
◦ 升降幅度/首五日無漲跌幅
◦ 當日沖銷交易標的及統計
◦ 融資融券與可借券賣出額度
33
神經網路應用案例
選擇資料日期和股票代碼
本例資料日期以2017年為例
挑選電信業者股票代碼
◦ 2412中華電
◦ 3045台灣大
◦ 3682亞太電
◦ 4904遠傳
34
神經網路應用案例
將目標個股每個月的加權平均價存到Excel
依漲跌情況,漲以1表示,跌以0表示,編碼為0、1二元表,
35
個股每個月加權平均價 個股漲跌二元表
漲以1表示,跌以0表示
神經網路應用案例
將個股漲跌二元表存成CSV檔
作為線性迴歸學習的訓練資料
36
中華電欄位更名為Class
神經網路應用案例
#安裝tensorflow函式庫
install.packages('tensorflow')
#安裝keras函式庫
install.packages('keras')
37
使用深度學習套件
「tensorflow」和
「keras」訓練模型
神經網路應用案例
#引用tensorflow函式庫
library(tensorflow)
#引用keras函式庫
library(keras)
38
使用深度學習套件
「tensorflow」和
「keras」訓練模型
神經網路應用案例
#讀取訓練資料
training_data <- read.csv(file.choose(),
header = TRUE)
X <- subset(training_data, select = -Class)
Y <- training_data$Class
#轉換為matrix資料型態
X <- data.matrix(X)
39
神經網路應用案例
#設定亂數種子
use_session_with_seed(0)
#設定神經網路結構
model <- keras_model_sequential()
#輸入參數: 1個,輸出參數: 1個,線性函式
model %>%
layer_dense(units = 2, activation =
“sigmoid", input_shape = c(3)) %>%
layer_dense(units = 1, activation =
“sigmoid")
40
設定固定的亂數種子,
讓權重初始值可以一致
輸入層: 輸入參數: 3個, 輸出參數: 2個, S型函式
隱藏層: 輸入參數: 2個, 輸出參數: 1個, S型函式
神經網路應用案例
#設定神經網路學習目標
model %>% compile(
#最小平方誤差
loss=‘mean_squared_error’,
#梯度下降
optimizer='sgd'
)
41
學習目標為最小平方誤差
最佳化方法為梯度下降法
神經網路應用案例
#訓練神經網路
history <- model %>% fit(
X, #輸入參數
Y, #輸出參數
epochs = 30000, #訓練回合數
batch_size = 1 #逐筆修正權重
)
42
設定輸出參數為Y
設定輸入參數為X
訓練回合數為30000
採用逐筆修正權重的方式
神經網路應用案例
#顯示神經網路權重值
model$get_weights()
43
神經網路應用案例
#將測試資料代入模型進行預測,並取得
預測結果
results <- model %>% predict(
X
)
#呈現估計結果
print(results)
44
輸入資料進行估計
神經網路應用案例
執行程式,並取得估計結果
45
估計結果
權重組合

Mais conteúdo relacionado

Mais procurados

Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生
Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生
Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生Jason Tsai
 
以深度學習加速語音及影像辨識應用發展
以深度學習加速語音及影像辨識應用發展以深度學習加速語音及影像辨識應用發展
以深度學習加速語音及影像辨識應用發展NVIDIA Taiwan
 
Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生
Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生
Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生Jason Tsai
 
基于Innodb开发的最佳实践
基于Innodb开发的最佳实践基于Innodb开发的最佳实践
基于Innodb开发的最佳实践wubx
 
OI算法竞赛中树形数据结构
OI算法竞赛中树形数据结构OI算法竞赛中树形数据结构
OI算法竞赛中树形数据结构Ray Song
 
我对后端优化的一点想法.pptx
我对后端优化的一点想法.pptx我对后端优化的一点想法.pptx
我对后端优化的一点想法.pptxjames tong
 
神經網路(Python+TensorFlow+Keras)
神經網路(Python+TensorFlow+Keras)神經網路(Python+TensorFlow+Keras)
神經網路(Python+TensorFlow+Keras)Fuzhou University
 
Hands-on tutorial of deep learning (Keras)
Hands-on tutorial of deep learning (Keras)Hands-on tutorial of deep learning (Keras)
Hands-on tutorial of deep learning (Keras)Chun-Min Chang
 
我对后端优化的一点想法 (2012)
我对后端优化的一点想法 (2012)我对后端优化的一点想法 (2012)
我对后端优化的一点想法 (2012)james tong
 
Neural Turing Machine Tutorial
Neural Turing Machine TutorialNeural Turing Machine Tutorial
Neural Turing Machine TutorialMark Chang
 
Django book20 security
Django book20 securityDjango book20 security
Django book20 securityShih-yi Wei
 
Mining the Parkinson's Telemonitoring Data Set
Mining the Parkinson's Telemonitoring Data SetMining the Parkinson's Telemonitoring Data Set
Mining the Parkinson's Telemonitoring Data SetJimmy Lu
 

Mais procurados (16)

深度學習方法與實作
深度學習方法與實作深度學習方法與實作
深度學習方法與實作
 
人工智慧08_神經網路
人工智慧08_神經網路人工智慧08_神經網路
人工智慧08_神經網路
 
Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生
Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生
Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生
 
以深度學習加速語音及影像辨識應用發展
以深度學習加速語音及影像辨識應用發展以深度學習加速語音及影像辨識應用發展
以深度學習加速語音及影像辨識應用發展
 
Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生
Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生
Convolutional Neural Networks (CNN) — 卷積神經網路的前世今生
 
香港六合彩
香港六合彩香港六合彩
香港六合彩
 
基于Innodb开发的最佳实践
基于Innodb开发的最佳实践基于Innodb开发的最佳实践
基于Innodb开发的最佳实践
 
OI算法竞赛中树形数据结构
OI算法竞赛中树形数据结构OI算法竞赛中树形数据结构
OI算法竞赛中树形数据结构
 
我对后端优化的一点想法.pptx
我对后端优化的一点想法.pptx我对后端优化的一点想法.pptx
我对后端优化的一点想法.pptx
 
神經網路(Python+TensorFlow+Keras)
神經網路(Python+TensorFlow+Keras)神經網路(Python+TensorFlow+Keras)
神經網路(Python+TensorFlow+Keras)
 
Hands-on tutorial of deep learning (Keras)
Hands-on tutorial of deep learning (Keras)Hands-on tutorial of deep learning (Keras)
Hands-on tutorial of deep learning (Keras)
 
我对后端优化的一点想法 (2012)
我对后端优化的一点想法 (2012)我对后端优化的一点想法 (2012)
我对后端优化的一点想法 (2012)
 
Neural Turing Machine Tutorial
Neural Turing Machine TutorialNeural Turing Machine Tutorial
Neural Turing Machine Tutorial
 
Optimzing mysql
Optimzing mysqlOptimzing mysql
Optimzing mysql
 
Django book20 security
Django book20 securityDjango book20 security
Django book20 security
 
Mining the Parkinson's Telemonitoring Data Set
Mining the Parkinson's Telemonitoring Data SetMining the Parkinson's Telemonitoring Data Set
Mining the Parkinson's Telemonitoring Data Set
 

Semelhante a 人工智慧09_神經網路(TensorFlow+Keras)

Tutorial of cnn 赵子健9.16
Tutorial of cnn 赵子健9.16Tutorial of cnn 赵子健9.16
Tutorial of cnn 赵子健9.16Zijian Zhao
 
探索 ISTIO 新型 DATA PLANE 架構 AMBIENT MESH - GOLANG TAIWAN GATHERING #77 X CNTUG
探索 ISTIO 新型 DATA PLANE 架構 AMBIENT MESH - GOLANG TAIWAN GATHERING #77 X CNTUG探索 ISTIO 新型 DATA PLANE 架構 AMBIENT MESH - GOLANG TAIWAN GATHERING #77 X CNTUG
探索 ISTIO 新型 DATA PLANE 架構 AMBIENT MESH - GOLANG TAIWAN GATHERING #77 X CNTUGYingSiang Geng
 
微博实时搜索
微博实时搜索微博实时搜索
微博实时搜索亚军 汪
 
TensorFlow 深度學習快速上手班--深度學習
 TensorFlow 深度學習快速上手班--深度學習 TensorFlow 深度學習快速上手班--深度學習
TensorFlow 深度學習快速上手班--深度學習Mark Chang
 
Python速成指南
Python速成指南Python速成指南
Python速成指南March Liu
 
Pytorch cnn netowork introduction 20240318
Pytorch cnn netowork introduction 20240318Pytorch cnn netowork introduction 20240318
Pytorch cnn netowork introduction 20240318FEG
 
HITCON CTF 2014 BambooFox 解題心得分享
HITCON CTF 2014 BambooFox 解題心得分享HITCON CTF 2014 BambooFox 解題心得分享
HITCON CTF 2014 BambooFox 解題心得分享Chong-Kuan Chen
 
用 Keras 玩 Machine Learning
用 Keras 玩 Machine Learning用 Keras 玩 Machine Learning
用 Keras 玩 Machine Learning家弘 周
 
Java线上应用问题排查方法和工具(空望)
Java线上应用问题排查方法和工具(空望)Java线上应用问题排查方法和工具(空望)
Java线上应用问题排查方法和工具(空望)ykdsg
 
Talking about exploit writing
Talking about exploit writingTalking about exploit writing
Talking about exploit writingsbha0909
 
Hello DNN
Hello DNNHello DNN
Hello DNNevan li
 
NoSQL误用和常见陷阱分析
NoSQL误用和常见陷阱分析NoSQL误用和常见陷阱分析
NoSQL误用和常见陷阱分析iammutex
 
realtime-twitter-search
realtime-twitter-searchrealtime-twitter-search
realtime-twitter-search亚军 汪
 
Install Oracle11g For Aix 5 L
Install Oracle11g For Aix 5 LInstall Oracle11g For Aix 5 L
Install Oracle11g For Aix 5 Lheima911
 
Avm2虚拟机浅析与as3性能优化(陈士凯)
Avm2虚拟机浅析与as3性能优化(陈士凯)Avm2虚拟机浅析与as3性能优化(陈士凯)
Avm2虚拟机浅析与as3性能优化(陈士凯)FLASH开发者交流会
 
[Flash开发者交流][2010.05.30]avm2虚拟机浅析与as3性能优化(陈士凯)
[Flash开发者交流][2010.05.30]avm2虚拟机浅析与as3性能优化(陈士凯)[Flash开发者交流][2010.05.30]avm2虚拟机浅析与as3性能优化(陈士凯)
[Flash开发者交流][2010.05.30]avm2虚拟机浅析与as3性能优化(陈士凯)Shanda innovation institute
 
Neural Network Basics
Neural Network BasicsNeural Network Basics
Neural Network BasicsOkis Chuang
 
Fast flux domain detection
Fast flux domain detectionFast flux domain detection
Fast flux domain detectionNi Zhiqiang
 
Oracle Security 101
Oracle Security 101Oracle Security 101
Oracle Security 101Dahui Feng
 

Semelhante a 人工智慧09_神經網路(TensorFlow+Keras) (20)

Tutorial of cnn 赵子健9.16
Tutorial of cnn 赵子健9.16Tutorial of cnn 赵子健9.16
Tutorial of cnn 赵子健9.16
 
探索 ISTIO 新型 DATA PLANE 架構 AMBIENT MESH - GOLANG TAIWAN GATHERING #77 X CNTUG
探索 ISTIO 新型 DATA PLANE 架構 AMBIENT MESH - GOLANG TAIWAN GATHERING #77 X CNTUG探索 ISTIO 新型 DATA PLANE 架構 AMBIENT MESH - GOLANG TAIWAN GATHERING #77 X CNTUG
探索 ISTIO 新型 DATA PLANE 架構 AMBIENT MESH - GOLANG TAIWAN GATHERING #77 X CNTUG
 
微博实时搜索
微博实时搜索微博实时搜索
微博实时搜索
 
TensorFlow 深度學習快速上手班--深度學習
 TensorFlow 深度學習快速上手班--深度學習 TensorFlow 深度學習快速上手班--深度學習
TensorFlow 深度學習快速上手班--深度學習
 
Python速成指南
Python速成指南Python速成指南
Python速成指南
 
Pytorch cnn netowork introduction 20240318
Pytorch cnn netowork introduction 20240318Pytorch cnn netowork introduction 20240318
Pytorch cnn netowork introduction 20240318
 
HITCON CTF 2014 BambooFox 解題心得分享
HITCON CTF 2014 BambooFox 解題心得分享HITCON CTF 2014 BambooFox 解題心得分享
HITCON CTF 2014 BambooFox 解題心得分享
 
用 Keras 玩 Machine Learning
用 Keras 玩 Machine Learning用 Keras 玩 Machine Learning
用 Keras 玩 Machine Learning
 
Java线上应用问题排查方法和工具(空望)
Java线上应用问题排查方法和工具(空望)Java线上应用问题排查方法和工具(空望)
Java线上应用问题排查方法和工具(空望)
 
Talking about exploit writing
Talking about exploit writingTalking about exploit writing
Talking about exploit writing
 
Hello DNN
Hello DNNHello DNN
Hello DNN
 
NoSQL误用和常见陷阱分析
NoSQL误用和常见陷阱分析NoSQL误用和常见陷阱分析
NoSQL误用和常见陷阱分析
 
realtime-twitter-search
realtime-twitter-searchrealtime-twitter-search
realtime-twitter-search
 
Install Oracle11g For Aix 5 L
Install Oracle11g For Aix 5 LInstall Oracle11g For Aix 5 L
Install Oracle11g For Aix 5 L
 
Avm2虚拟机浅析与as3性能优化(陈士凯)
Avm2虚拟机浅析与as3性能优化(陈士凯)Avm2虚拟机浅析与as3性能优化(陈士凯)
Avm2虚拟机浅析与as3性能优化(陈士凯)
 
[Flash开发者交流][2010.05.30]avm2虚拟机浅析与as3性能优化(陈士凯)
[Flash开发者交流][2010.05.30]avm2虚拟机浅析与as3性能优化(陈士凯)[Flash开发者交流][2010.05.30]avm2虚拟机浅析与as3性能优化(陈士凯)
[Flash开发者交流][2010.05.30]avm2虚拟机浅析与as3性能优化(陈士凯)
 
Neural Network Basics
Neural Network BasicsNeural Network Basics
Neural Network Basics
 
Norbert框架
Norbert框架Norbert框架
Norbert框架
 
Fast flux domain detection
Fast flux domain detectionFast flux domain detection
Fast flux domain detection
 
Oracle Security 101
Oracle Security 101Oracle Security 101
Oracle Security 101
 

Mais de Fuzhou University

多媒體系統10_3D繪圖軟體Blender
多媒體系統10_3D繪圖軟體Blender多媒體系統10_3D繪圖軟體Blender
多媒體系統10_3D繪圖軟體BlenderFuzhou University
 
多媒體系統09_3D互動擴增實境
多媒體系統09_3D互動擴增實境多媒體系統09_3D互動擴增實境
多媒體系統09_3D互動擴增實境Fuzhou University
 
多媒體系統08_Inkscape繪製圖形與漸層
多媒體系統08_Inkscape繪製圖形與漸層多媒體系統08_Inkscape繪製圖形與漸層
多媒體系統08_Inkscape繪製圖形與漸層Fuzhou University
 
機器學習工具_微軟Azure Machine Learning Studio
機器學習工具_微軟Azure Machine Learning Studio機器學習工具_微軟Azure Machine Learning Studio
機器學習工具_微軟Azure Machine Learning StudioFuzhou University
 
論文導讀01_k個最近鄰居(行動定位)
論文導讀01_k個最近鄰居(行動定位)論文導讀01_k個最近鄰居(行動定位)
論文導讀01_k個最近鄰居(行動定位)Fuzhou University
 
多媒體系統02_影像處理原理與技術
多媒體系統02_影像處理原理與技術多媒體系統02_影像處理原理與技術
多媒體系統02_影像處理原理與技術Fuzhou University
 
多媒體系統07_Android App影音互動擴增實境
多媒體系統07_Android App影音互動擴增實境多媒體系統07_Android App影音互動擴增實境
多媒體系統07_Android App影音互動擴增實境Fuzhou University
 
多媒體系統06_影音編輯軟體Movie Maker
多媒體系統06_影音編輯軟體Movie Maker多媒體系統06_影音編輯軟體Movie Maker
多媒體系統06_影音編輯軟體Movie MakerFuzhou University
 
多媒體系統05_Android App圖形元件
多媒體系統05_Android App圖形元件多媒體系統05_Android App圖形元件
多媒體系統05_Android App圖形元件Fuzhou University
 
多媒體系統04_GIMP繪圖、特效、動畫
多媒體系統04_GIMP繪圖、特效、動畫多媒體系統04_GIMP繪圖、特效、動畫
多媒體系統04_GIMP繪圖、特效、動畫Fuzhou University
 
多媒體系統03_GIMP影像合成與圖層應用
多媒體系統03_GIMP影像合成與圖層應用多媒體系統03_GIMP影像合成與圖層應用
多媒體系統03_GIMP影像合成與圖層應用Fuzhou University
 
多媒體系統01_安裝開發環境
多媒體系統01_安裝開發環境多媒體系統01_安裝開發環境
多媒體系統01_安裝開發環境Fuzhou University
 
人工智慧02_大數據分析與機器學習概論
人工智慧02_大數據分析與機器學習概論人工智慧02_大數據分析與機器學習概論
人工智慧02_大數據分析與機器學習概論Fuzhou University
 
人工智慧04_貝氏分類和貝氏網路
人工智慧04_貝氏分類和貝氏網路人工智慧04_貝氏分類和貝氏網路
人工智慧04_貝氏分類和貝氏網路Fuzhou University
 
人工智慧01_安裝機器學習開發環境
人工智慧01_安裝機器學習開發環境人工智慧01_安裝機器學習開發環境
人工智慧01_安裝機器學習開發環境Fuzhou University
 
初探深度學習技術與應用
初探深度學習技術與應用初探深度學習技術與應用
初探深度學習技術與應用Fuzhou University
 

Mais de Fuzhou University (18)

多媒體系統10_3D繪圖軟體Blender
多媒體系統10_3D繪圖軟體Blender多媒體系統10_3D繪圖軟體Blender
多媒體系統10_3D繪圖軟體Blender
 
多媒體系統09_3D互動擴增實境
多媒體系統09_3D互動擴增實境多媒體系統09_3D互動擴增實境
多媒體系統09_3D互動擴增實境
 
多媒體系統08_Inkscape繪製圖形與漸層
多媒體系統08_Inkscape繪製圖形與漸層多媒體系統08_Inkscape繪製圖形與漸層
多媒體系統08_Inkscape繪製圖形與漸層
 
機器學習工具_微軟Azure Machine Learning Studio
機器學習工具_微軟Azure Machine Learning Studio機器學習工具_微軟Azure Machine Learning Studio
機器學習工具_微軟Azure Machine Learning Studio
 
論文導讀01_k個最近鄰居(行動定位)
論文導讀01_k個最近鄰居(行動定位)論文導讀01_k個最近鄰居(行動定位)
論文導讀01_k個最近鄰居(行動定位)
 
多媒體系統02_影像處理原理與技術
多媒體系統02_影像處理原理與技術多媒體系統02_影像處理原理與技術
多媒體系統02_影像處理原理與技術
 
多媒體系統07_Android App影音互動擴增實境
多媒體系統07_Android App影音互動擴增實境多媒體系統07_Android App影音互動擴增實境
多媒體系統07_Android App影音互動擴增實境
 
多媒體系統06_影音編輯軟體Movie Maker
多媒體系統06_影音編輯軟體Movie Maker多媒體系統06_影音編輯軟體Movie Maker
多媒體系統06_影音編輯軟體Movie Maker
 
多媒體系統05_Android App圖形元件
多媒體系統05_Android App圖形元件多媒體系統05_Android App圖形元件
多媒體系統05_Android App圖形元件
 
多媒體系統04_GIMP繪圖、特效、動畫
多媒體系統04_GIMP繪圖、特效、動畫多媒體系統04_GIMP繪圖、特效、動畫
多媒體系統04_GIMP繪圖、特效、動畫
 
多媒體系統03_GIMP影像合成與圖層應用
多媒體系統03_GIMP影像合成與圖層應用多媒體系統03_GIMP影像合成與圖層應用
多媒體系統03_GIMP影像合成與圖層應用
 
多媒體系統01_安裝開發環境
多媒體系統01_安裝開發環境多媒體系統01_安裝開發環境
多媒體系統01_安裝開發環境
 
人工智慧02_大數據分析與機器學習概論
人工智慧02_大數據分析與機器學習概論人工智慧02_大數據分析與機器學習概論
人工智慧02_大數據分析與機器學習概論
 
人工智慧06_決策樹
人工智慧06_決策樹人工智慧06_決策樹
人工智慧06_決策樹
 
人工智慧04_貝氏分類和貝氏網路
人工智慧04_貝氏分類和貝氏網路人工智慧04_貝氏分類和貝氏網路
人工智慧04_貝氏分類和貝氏網路
 
人工智慧03_關聯規則
人工智慧03_關聯規則人工智慧03_關聯規則
人工智慧03_關聯規則
 
人工智慧01_安裝機器學習開發環境
人工智慧01_安裝機器學習開發環境人工智慧01_安裝機器學習開發環境
人工智慧01_安裝機器學習開發環境
 
初探深度學習技術與應用
初探深度學習技術與應用初探深度學習技術與應用
初探深度學習技術與應用
 

人工智慧09_神經網路(TensorFlow+Keras)