人工智慧教材的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

深度學習原理與 TensorFlow實踐

為了解決人工智慧教材的問題，作者黃理燦 這樣論述：

本書介紹了深度學習原理與TensorFlow實踐。著重講述了當前學術界和工業界的深度學習核心知識：機器學習概論、神經網路、深度學習。著重講述了深度學習的實現以及深度學習框架TensorFlow：Python 程式設計基礎、TensorFlow程式設計基礎、TensorFlow模型、 TensorFlow程式設計實踐、TensorFlowLite 和 TensorFlow.js、TensorFlow案例--醫學應用和Seq2Seq attention 模型及其應用案例。 本書特色是既有由淺入深的理論知識，又有從入門到高深的應用程式設計的技術知識。本書涵蓋了深度學習的理論、Python 程式設計

語言以及TensorFlow程式設計知識和代碼解讀，為深度學習初學者以及進階人員提供了詳盡的必要知識。 本書可用于大學本科生高年級以及研究生人工智慧教材，也可作為應用領域技術人員、工程技術人員和科學研究工作者的參考資料。   黃理燦 浙江理工大學網路與分散式運算研究所所長， 曾任浙江省資訊化促進會理事長，International Conference on Networking and Distributed Computing(ICNDC)網路與分散式運算國際會議主席。一直從事網路與分散式運算研究。IEEE高級會員，域搜雲平臺創始人。   第 1

章 緒論 1 11 引言2 12 深度學習的發展歷程 3 13 TensorFlow 應用現狀 5 習題 6 第 2 章 機器學習概論7 21 機器學習相關的數學知識 8 211 微積分8  212 線性代數11  213 概率論14  22 機器學習方法15 221 監督學習16 222 無監督學習24  223 半監督學習 26  224 強化學習28  23 資料的預處理方法31 習題34 第 3 章 神經網路35 31 神經網路基礎知識36 311 MP 模型36  312 感知機38  313 三層感知機41  32 神經網路模型53 321 徑向基函數網路 54  322 Ho

pfield 神經網路56  323 Elman 神經網路56  324 玻爾茲曼機57  325 自動編碼器60  326 生成對抗網路 62  習題64 第 4 章 深度學習65 41 多層感知機神經網路 66 42 啟動函數、損失函數和過擬合 71 421 啟動函數71  422 損失函數（代價函數） 74  423 防止過擬合78  43 卷積神經網路80 431 卷積神經網路原理 81  432 卷積神經網路 BP 演算法的數學推導 86  44 迴圈神經網路  89 441 迴圈神經網路模型原理90  442 BPTT 演算法 91  443 雙向迴圈神經網路 95  444 深

度迴圈神經網路 96  445 長短時記憶網路 96  446 門控迴圈單元網路 98  45 深度置信網路  99 451 RBM 原理99  452 RBM 求解演算法100  453 對比散度演算法101  454 公式推導101  455 深度置信網路訓練105  46 深度學習框架 106 461 TensorFlow107  462 Caffe107  463 Theano108 464 Keras 109  習題110 第 5 章 Python 程式設計基礎111 51 Python 環境搭建112 511 Python 安裝112  512 Jupyter Notebook

程式設計器安裝使用112  52 Python 程式設計基礎知識117 521 Python 識別字 117  522 Python 標準資料類型 118  523 Python 語句118  524 Python 運算子 119  525 代碼組121  526 Python 流程控制 122  527 Python 函數 123  528 Python 模組126  529 Python 類127  5210 命名空間和作用域131  53 Python 標準庫132 54 Python 機器學習庫132 541 NumPy 132  542 Scipy140  543 Pandas 14

3  544 Scikit-learn148  習題153 第 6 章 TensorFlow 程式設計基礎155 61 TensorFlow 的發展歷程與演進156 62 TensorFlow 的搭建配置158 621 在 Windows 系統環境下安裝TensorFlow158  622 在 Mac OS 系統環境下安裝TensorFlow158  623 在 Linux 系統環境下安裝TensorFlow159  63 TensorFlow 程式設計基礎知識 159 631 張量159  632 符號式程式設計160  633 變數和常量 161  634 會話（Session） 161

  635 預留位置（placeholder）、獲取（Fetch）和饋送（Feed）  162  636 Variable 類163  637 常量、序列以及隨機值 164  638 執行圖（Running Graphs）166  639 操作運算167  6310 基本數學函數170  6311 矩陣數學函數 171  6312 張量數學函數 176  6313 張量 Reduction 操作176  6314 累加和累積 179  6315 張量拆分操作 179  6316 序列比較與索引 182  6317 張量資料類型轉換 183  6318 TensorFlow 張量形狀的確定與改變

184  64 TensorFlow 系統架構及源碼結構185 65 Eager Execution 188 66 TensorFlow 示例代碼 189 661 簡單回歸擬合 189  662 波士頓房價預測 191  習題193 第 7 章 TensorFlow 模型 194 71 TensorFlow 模型程式設計模式 195 711 tfnn 模組  195 712 tflayers 模組207  713 tfestimator 模組210  714 tfkeras 模組211  72 讀取數據212 721 載入數據 212  722 創建反覆運算器 214  723 使用 da

taset 資料216  73 TensorFlow 模型搭建218 74 TensorFlow 模型訓練220 741 損失函數——tflosses 模組220  742 優化器——tftrain 模組220  743 訓練示例222  75 TensorFlow 評估222 751 評價指標222  752 評估函數——tfmetrics 模組225  76 TensorFlow 模型載入、保存及調用227 77 視覺化分析和評估模型229 771 tfsummary 模組 229  772 TensorBoard 視覺化評估工具229  773 TensorBoard 使用案例 230 

78 示例——鳶尾花分類239 習題242 第 8 章 TensorFlow 程式設計實踐243 81 MNIST 手寫數位識別 244 811 使用 tfnn 模組實現 MNIST手寫數位識別245  812 使用 tfestimator 模組實現MNIST手寫數位識別 248  82 Fashion MNIST253 821 Keras 序列模型 253  822 Fashion MNIST 代碼  259  83 RNN 簡筆劃識別  265 習題275 第 9 章 TensorFlow Lite 和TensorFlowjs 276 91 TensorFlow Lite 277 9

11 轉化訓練好的模型為tflite文件 278  912 編寫自訂操作代碼 279  913 在 TensorFlow Lite 的移動端進行安卓開發280  914 在 TensorFlow Lite 的移動端進行iOS 開發  283  92 TensorFlowjs  284 921 TensorFlowjs JavaScript 庫引入 284  922 TensorFlowjs 基礎知識 285  923 TensorFlowjs 示例 289  習題302 第 10 章 TensorFlow 案例——醫學應用303 101 開源醫學圖像分析平臺 DLTK的安裝運行304 102

開源醫學圖像分析平臺 DLTK的使用305 103 開源醫學圖像分析平臺 DLTK案例310 104 開源醫學圖像分析平臺 DLTK模型312 習題323 第 11 章 Seq2Seq attention模型及其應用案例324 111 Seq2Seq 和 attention 模型325 112 TensorFlow 自動文本摘要生成327 1121 TextSum 安裝運行 328  1122 TextSum 整體結構 329  113 聊天機器人 350 1131 DeepQA350  1132 Stanford TensorFlow Chatbot356  習題356  

人工智慧教材進入發燒排行的影片

從教師的觀點探討中小學AI教材推廣-以威斯頓號AI探險之旅為例

為了解決人工智慧教材的問題，作者陳芳誼 這樣論述：

科技進步，大數據時代來臨，十二年國教強調素養導向的教學，新興科技為未來發展趨勢，學生應具備新興科技素養，其中，AI人工智慧為一項很重要的概念，然而，國內關於中小學AI人工智慧教材的相關研究尚在起步階段，因此，本研究以「威斯頓號AI探險之旅」為例，從教師的觀點來探討AI人工智慧教材在中小學的滿意度及對於AI教材內容的回饋，期待研發出更符合中小學學生認知結構的AI教材，以提升學生對於AI人工智慧的素養。本研究透過研習推廣及問卷調查，收集參與AI教材研習的93位中小學教師對於「威斯頓號AI探險之旅」教材的回饋，並於研習後針對有意願使用此AI教材之教師進行訪談，以獲得更深入的意見，以此為依據，提出國

中小AI人工智慧教材的編撰建議。本研究結果發現：一、教師對於「威斯頓號AI探險之旅」的教材滿意度高，認同教材的有用性、易用性與可行性，且教材效益性也高。二、教材易用性對於教材可行性和教材效益性較具影響力，顯示教師認為在運用教材時，容易操作與學習是很重要的關鍵因素。三、不同背景教師在性別、任教年資、有無生資資科相關背景等方面，對於教材滿意度均未達顯著差異。四、具AI教材教學經驗之教師，教材的有用性程度顯著高於無AI教材教學經驗之教師，顯示具AI相關教學經驗之教師認同「威斯頓號AI探險之旅」適用於中小學階段的學生。五、透過訪談資料分析，「威斯頓號AI探險之旅」的優勢是在教學活動的設計，因其多樣化的

體驗活動，能引起學生興趣且內容與生活息息相關；針對教材的應用與實施，教師建議教學體驗活動可結合學習單做反思，使得學生學習更有意義、桌遊活動可結合手機APP設計，使學生學習能夠得到立即的反饋。六、本研究之「威斯頓號AI探險之旅」教材適合作為國中小AI人工智慧的教材，研究結果可作為未來發展AI相關教材之重要參考。

人工智慧基礎

為了解決人工智慧教材的問題，作者unknow 這樣論述：

　　當今世界，人工智慧的浪潮正席捲全球。人工智慧技術不再是象牙塔中的珍品，它已經被大規模地應用於網際網路、安防、醫療、金融、零售、文藝與教育等多個產業，並實實在在地改變著我們的世界，讓生產變得更加高效，讓生活變得更加便捷。 　　人工智慧時代的建設和發展需要大批具有人工智慧理念、國際視野和創新能力的人才。本書內容的編排與涵蓋的範圍，相當符合有意跨進人工智慧領域的學習圖書。陳述淺顯，透過實例搭配對應的人工智慧和解決方案的鋪陳，提供讀者先能有情境的涉入，再依據作業原理解說其運行的方法。尤其是演算法或計算公式，透過大量生動活潑的圖片解說，縱使沒有程式或數理背景的讀者，也能輕鬆的了

解與學習。  

視覺化模擬輔助人工智慧教學之設計與評估

為了解決人工智慧教材的問題，作者王聿 這樣論述：

隨著人工智慧於生活中的應用日益增加，人工智慧教育在K-12逐漸受到國際重視，然而過去人工智慧教學多實施於高等教育，目前較缺乏針對高中生設計的人工智慧教材。人工智慧包括許多抽象概念，以往針對K-12的人工智慧教育多著重在使用現有工具動手操作，而不介紹人工智慧理論，學習者難以瞭解其背後原理。模擬可以將抽象概念具體化。為了幫助學習者理解人工智慧抽象概念，本研究建置人工智慧主題的視覺化模擬輔助學習平臺，並提出模擬輔助教學步驟：操作觀察、概念探索、概念整合。研究探討所提出之視覺化模擬輔助人工智慧教學對高中生人工智慧素養（包含人工智慧概念與人工智慧演算法實作）、學習態度以及運算思維之影響。為瞭解視覺化模

擬輔助人工智慧教學的有效性，本研究透過實證研究比較視覺化模擬輔助教學與傳統教學之差異。研究結果發現：一、視覺化模擬輔助人工智慧教學對人工智慧素養之影響 實驗組在經過視覺化模擬輔助人工智慧教學後，其人工智慧概念與人工智慧演算法實作皆較控制組佳。顯示出視覺化模擬輔助人工智慧教學比傳統講述式教學更能夠幫助學習者學習人工智慧概念以及人工智慧演算法實作，透過視覺化模擬輔助人工智慧教學可以增進學習者之人工智慧素養。而在訪談中，實驗組學習者表示在視覺化模擬輔助平臺上修改演算法的參數以及實作練習題填答完後給予的即時回饋，皆有助於其對演算法之理解。此外，分析視覺化模擬輔助平臺的使用情形顯示，本研究

發展之視覺化模擬輔助教學中，以「概念整合」的引導最能幫助學習者理解人工智慧概念。二、視覺化模擬輔助人工智慧教學對學習態度之影響 經過本研究之視覺化模擬輔助人工智慧教學後，在「對人工智慧課程的感受」之學習態度面向，統計結果為實驗組顯著較控制組佳。顯示視覺化模擬輔助人工智慧教學比傳統講述式教學更能夠增加學習者學習人工智慧正向的態度，訪談中實驗組多數學習者提到「程式設計」之運用，可見他們將人工智慧概念與實作產生更多連結，更深入瞭解程式設計的意義與重要性。 而在「視覺化模擬輔助人工智慧教學的有效性」面向，根據對實驗組學習者進行的半結構式訪談結果顯示，學習者普遍認為本研究發展

之學習步驟具有引導學習之效，因此本研究發展之學習步驟有助於幫助學習。三、視覺化模擬輔助人工智慧教學對運算思維之影響 實驗組經過視覺化模擬輔助人工智慧教學以及控制組經過傳統講述式教學後，兩組運算思維無顯著差異。代表視覺化模擬輔助人工智慧教學不會影響學習者的運算思維。此結果可能的原因為本研究之實驗時間有限，而運算思維需經過長時間的培養才能有所提升。