人工智慧原理的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列地圖、推薦、景點和餐廳等資訊懶人包

大腦全知道!(圖解)現代人必修的腦科學通識課

為了解決人工智慧原理的問題，作者篠原菊紀 這樣論述：

豐富插畫＋經典實驗；化繁為簡＋深入淺出 日本知名腦科學推廣學者篠原菊紀， 攜手《寶可夢》漫畫畫家姬野YOSHIKAZU， 幫助你最快速掌握腦科學的奧祕與用處！ 　　***** 　　大腦的構造是怎樣？不同的腦區各擅長什麼事情？ 　　它怎麼解讀身體接收到的外來訊息，又怎麼因應？ 　　你可知道—— 　　►光是嘴裡含著運動飲料，便又有力氣踩腳踏車？ 　　►不用吃東西，光用糖水漱漱口就能提升自制力？ 　　►缺乏「視知覺」竟仍會下意識避開周遭障礙物！ 　　►不只產婦會罹患「產後憂鬱症」，爸爸也要注意？！ 　　►最能強化兒童腦部發展的方式是念繪本，看卡通最不利。 　　►撫摸腹部就能夠舒緩腹痛，這是基

於什麼道理？ 　　►別人看重的是我們的右臉，但我們卻太注意左臉？ 　　►記憶分成好幾種，成人與孩童擅長的記憶模式並不相同。 　　►失智症的成因是什麼？怎樣的生活習慣有助於預防發病？ 　　►自閉症、創傷後壓力群等疾病，神經學上的表現是什麼？ 　　►人工智慧與人腦的能力各有擅場，人腦的強項在哪兒？ 　　▎全書架構： 　　第一章〈腦與身體〉、第二章〈腦與心靈〉、第三章〈腦與記憶〉　 　　第四章〈腦與疾病〉、第五章〈腦的機制〉、第六章〈腦與未來〉 　　本書從以上六大方向，解說大腦機制對於我們生活各方面的影響， 　　腦科學的驚奇與用處，這本統統告訴你！ 　　▎這本書很適合以下讀者： 　　‧對心理學感

興趣，希望深入了解自己與人際關係的人 　　‧對神經科學好奇，有意探究人體尤其是大腦奧祕的人 　　‧希望藉由熟悉腦科學的原理，來提升學習成效的人 　　‧有意投身教育工作，想更擅長溝通及激發潛能的人 　　‧關注身心平衡，希望了解心理與生理連動關係的人 　　‧對於人工智慧原理感到好奇，希望了解其根源的人 　　‧想充分發揮能力，熱愛學習新知及挑戰新事物的人  

人工智慧原理進入發燒排行的影片

基於深度振盪狀卷積神經網絡的圖像超解析度方法

為了解決人工智慧原理的問題，作者鄭偉鑫 這樣論述：

在單一圖像超解析度(Single Image Super-resolution，SISR)中，卷積神經網路展現出重建高解析度圖像的能力。現存的圖像超解析度方法通常具有比較深的網路層以及大量的網路參數，需要耗費較大的計算量。因此，我們提出了一個新型的基於卷積神經網路的圖像超解析度方法——深度振盪狀卷積神經網路，简称为 DONN，能很好的學習高、低解析度圖像之間端到端的非線性映射。在文中，我們旨在通過振盪狀卷積塊進行特徵學習，促使網路模型產生的圖像更接近真實圖像。在多層網路模型中，跳躍連接能夠有效的處理梯度消失問題，保證正確的特徵輸入，我們通過對振盪狀卷積塊的網路層的控制，使的跳躍連接充分發揮作

用，提升網路模型的效率。我們的網路模型通過跳躍連接和振盪狀卷積塊，大大降低了網路層數和網路參數。通過固定網路的總體結構，調節卷積層的數量，對比各自網路模型產生的高解析度圖像，根據比較結果，從而找出網路模型最合適的深度。使用圖像超解析度中流行的資料集進行訓練和測試，通過視覺對比和定量結果對比，其中定量結果採用峰值信噪比和結構相似性指標，比較結果顯示所提出的網路模型明顯優於目前多個知名的圖像超解析度方法，可以得到更清晰的高解析度圖像。

TensorFlow 與 Keras：Python 深度學習應用實務

為了解決人工智慧原理的問題，作者陳允傑 這樣論述：

　　數學忘光光，人工智慧原理看不懂？ 　　→ 大量的【圖解說明】讓你秒懂運作原理 　　用相同資料集，訓練好的模型準確率比別人低很多？ 　　→ 【舉一反三不死背】，教你用最適當的演算法調整模型 　　手上一堆資料，但要怎麼餵給神經網路？ 　　→ 解說各種類型資料的【預處理手法】 　　本書秉持「先圖解、再實作，而後實務應用」的精神，帶你實際使用 　　Python 3 + TensorFlow + Keras，訓練自己的深度學習模型 　　深度學習是一種「實現機器學習的技術」，能夠利用如人類大腦功能般的「類神經網路」，處理如視覺、聽覺等感知問題，從學習中更新權重與偏向量進行學

習，最後進行分類或預測。學會各種神經網路的類型後，教導讀者懂得調校神經網路和轉移學習目標，讓讀者能夠真正建構出屬於自己的神經網路模型。 　　書中的資料與範例中，將運用到： 　　■ MLP 多層感知器 - 進行糖尿病、鳶尾花的多元分類預測 　　■ MLP 多層感知器 - 進行房價的迴歸預測 　　■ CNN 卷積神經網路 - 進行彩色圖片的分類 　　■ LSTM 長短期記憶神經網路 - 進行股價預測 　　■ RNN 循環神經網路、LSTM、GRU 閘門循環單元神經網路 - 進行影評的情緒分析 　　還有手寫辨識預測、自編碼器 AE、主題分類等大量範例實作！ 本書特色 　　◎ 人工智慧、機器學習

、深度學習的基礎 　　◎ 從最基礎的神經網路建構 　　◎ 最具突破性的卷積神經網路實戰與應用 　　◎ 處理自然語言等具序列性資料的循環神經網路 　　◎ 建構並調整自己的神經網路模型 　　◎ 神經網路的模型視覺化、共享與輸出  

人工智慧應用於消費級氣體感測器陣列之校正

為了解決人工智慧原理的問題，作者沈韋任 這樣論述：

近年來空氣污染逐漸嚴重，空污議題逐漸受到重視，而為了監控有害氣體濃度，氣體感測器布置密度也必須提高。高單價感測器雖然精準，但大規模設置，成本會過高。消費級氣體感測器的優點在於設置成本低廉，但其性能則必須有進一步的加強。消費級氣體感測器具有對溫濕度產生變化、對多種氣體有反應、使用時的重現性不佳及感測器個體差異等問題。解決性能上問題後，消費級氣體感測器的實用性可大幅提升，可以提高量測氣體濃度的準確性。本研究將量測SO₂與CO的濃度，並使用人工智慧校正消費級氣體感測器，使感測器表現優於原廠提供的校正，以增加可用性。深度學習為人工智慧的一部分，具有自動提取資料特徵並解決問題的特點。本研究將使用人工智

慧進行氣體感測器校正。首先分別建立SO₂感測器校正模型以及CO感測器校正模型。在密閉腔室通入SO₂或是CO氣體搭配不同溫度濕度量測，並記錄感測器響應建立人工智慧數據庫，作為兩種氣體感測器校正模型所需的訓練及測試資料。使用原廠校正時，SO₂平均誤差2.58 ppm、CO平均誤差2.06 ppm。實驗顯示單一SO₂感測器校正模型平均測試誤差1.5 ppb，單一CO感測器校正模型平均測試誤差19.8 ppb，顯然優於原廠校正。接著建立氣體感測器陣列校正模型，在密閉腔室通入SO₂和CO的混合氣體搭配不同溫度濕度，並記錄感測器響應建立人工智慧數據庫，作為訓練及測試資料。使用深度類神網路進行校正並找出較好

的模型結構以及資料擷取時間，此模型SO₂平均測試誤差8 ppb、CO平均測試誤差166 ppb。接著使用類神經網路隱藏層的模組化以及輸入資料kernel trick非線性增維的方法建立更強的模型，強化後的模型SO₂平均測試誤差降至1.7 ppb、CO平均測試誤差降至77 ppb。量測數據使用原廠所提供的校正時，SO₂濃度平均誤差達2.65 ppm、CO濃度平均誤差達2.69 ppm，使用感測器陣列校正模型明顯降低誤差。最後是氣體感測器個體差異的校正，首先建立通用型的SO₂感測器校正模型，接著建立可替換SO₂感測器之氣體感測器陣列模型。將四個不同的SO₂感測器量測數據正規化後進行模型訓練，並使用

一個從未訓練過的SO₂感測器數據進行測試，其測試誤差為4.35 ppb。將通用型的SO₂感測器校正模型與氣體感測器陣列校正模型結合而成可替換SO₂感測器之氣體感測器陣列模型，接著使用新的SO₂感測器所量測的混合氣體數據測試，SO₂平均測試誤差109 ppb、CO平均測試誤差2450 ppb，對比原廠校正成功降低了誤差，且此模型可以替換SO₂感測器，其通用性對廣布氣體感測器陣列的需求來說相當有幫助。總體而言，人工智慧可以提升消費級氣體感測器之精準度，消費級氣體感測器可以在環境中進行有害氣體偵測並達到監控空氣品質之目的。