colaboratory教學的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列訂位、菜單、價格優惠和問答集

Python 教學手冊

為了解決colaboratory教學的問題，作者洪維恩 這樣論述：

程式設計書 20 萬冊暢銷作者洪維恩最新力作！ 　　☆☆ 全書採 Colab 雲端免安裝環境實作教學, 並附有 Colab 線上教學影片 ☆☆ 　　☆☆ 所有範例也可在 Jupyter Lab 執行, 並附有 Jupyter Lab  線上教學影片 ☆☆ 　　本書沿襲《C 語言教學手冊》、《C++ 教學手冊》、《Java 教學手冊》系列書籍的中心思維, 以教學為優先考量, 在內容的設計與學習的節奏上, 都適度考量到課堂時間長度與初學者的接受能力, 不論是老師在學校授課, 或是讀者在家自學 Python, 在學習過程中都能在在感受到書籍內容對於學習節奏規劃的貼心。 　　為減少課堂

授課現場的軟硬體準備時間, 以及避免學習者在家自我練習的環境建置問題, 本書採用 Colab 雲端服務作為主要教學開發環境, 達到完全不須建置安裝任何軟體即可開始教學練習, 甚至使用手機或是平板開啟瀏覽器也可上課學習, 不會因為不同環境建置差異及不同平台或作業系統版本而耗費時間排除問題, 有效提升教學效率。 　　本書在選題上完全聚焦在初學者的需求, 以精簡的大量範例讓初學者理解基本語法的重要面向, 釐清初學階段容易誤解的細節, 範例設計不求花俏吸睛, 而是以教學上能呈現重點, 初學者又能在短時間內明確吸收為考量, 並在每章章末附有大量的習題, 可讓學生自我演練, 或供老師驗收成果, 有效提升

學習效果。 　　在延伸主題的選材上本書也以 Python 應用上最常使用到的數學、資料處理及繪圖為主, 講解 NumPy、Pandas、Matplotlib、pyplot、scikit-image 等模組, 不求能快速做出厲害的應用, 而是以奠定基礎為目標, 期許讀者在修習本書後, 不論是要往 AI 機器學習, 抑或是資料科學領域發展, 都能夠快速應用書上學過的這些通用模組, 有效搭建起未來進階應用 Python 的橋樑。 　　另外, 本書還介紹了以數學符號運算見長的 SymPy 模組, 可以讓理工科系學生透過 Python 程式驗證微積分、工程數學等必修課程, 還能夠將抽象的數學概念以視

覺化的方式呈現, 不但可以讓程式設計課程與數學課程完美接軌, 也因為這些延伸模組都能以 Python 一致的語法操控, 彷彿是 Python 內建功能一樣, 更能讓學習者領略 Python 的設計奧妙, 有效提升對於程式語言的認知深度。 　　本書撰寫過程嚴謹, 除經過完整兩個學期的試教, 確認學生的吸收成效外, 也交由百位以上的學生試讀反饋意見, 再一一調整內容安排, 以期能符合現場教學及初學者需求。即使是每章章末的習題, 也都經過十多位學生實際演練, 確保出題範圍適切、難易適中, 是驗證學習成效的利器。 本書特色 　　□ 免安裝環境開瀏覽器就能上課寫程式 　　□ 大量簡明範例呈現教學重

點容易吸收 　　□ 資料科學影像處理奠基未來 AI 基礎 　　□ 數學符號運算無縫接軌理工數學課程 　　□ 以大量習題驗證教學自我評量最有效 　　□ 經完整兩個學期多科系試教實際驗證

colaboratory教學進入發燒排行的影片

運用人工智慧辨識IC及異常數據分析預測

為了解決colaboratory教學的問題，作者傅雙玉 這樣論述：

本研究的目的係運用人工智慧(Artificial Intelligence, AI)中的三種工具，(1)卷積神經網路(Convolutional Neural Network, CNN)中Yolov3即時物件偵測系統、(2)Microsoft Azure Custom Vision自訂視覺，以及(3)懷卡托智能分析系統 (Waikato Environment for Knowledge Analysis, WEKA)，對IC的瑕疵進行訓練及測試，進而尋找及預測出IC發生異常的原因。前2項軟體用於IC的瑕疵辨識，而Weka則是利用各種演算法，對IC異常的數據資料進行訓練、建立模型，然後運用及

測試該模型，以預測出IC發生異常的原因。Yolov3即時物件偵測系統，使用LabelImage工具做圖片標示，然後在Google Colaboratory (簡稱Colab) 的環境進行模型訓練和測試。在Yolov3的訓練模式中，總共上傳608張IC圖片，做了4個階段的迭代次數比較；最後一次迭代次數為16,440，總損失函數為0.0413，平均損失函數則為0.0488；在每階段做完訓練後，各抽樣好與壞的圖片，計算其辨識成功率，在最終辨識結果方面，總平均辨識率已從71% 提高到98%。Microsoft Azure Custom Vision自訂視覺，係使用智慧型Labeler做標示，優點是單一

分類的物品可以整包上傳後只要標示一次，即可訓練及測試這些圖片。本研究的自訂視覺模型的訓練及測試，總共分了6個階段，從張數30張增加到943張的圖片進行階段性比較，其最終辨識結果，AP(average precision)平均精度已自83%提高到98%。在Weka模型訓練及測試中，選取Logistic、Multilayer Perceptron及J48這3種演算法對所收集的IC異常數據進行模型訓練及測試，從而分析及預測IC發生異常的原因和實際數據結果是否相符。本研究分別使用了第1階段32筆、第2階段42筆數據做訓練，建立起訓練模型，Logistic和Multilayer Perceptron演算

法的訓練模型，其分類正確性都是100% 精確，而J48演算法的訓練模型，其正確分類的結果從87.5%提高為90.48%。後繼於建立起的訓練模型，再分2階段投入10筆和5筆的測試資料集進行測試及預測。由取得的預測結果可知，以Logistic 演算法的訓練模型其精確度最高最適合作為本研究的預測。

人工智慧應用在我家 - 使用KNERON AI Dongle(耐能AI加速棒) - 附MOSME行動學習一點通：診斷.評量.影音.擴增.加值

為了解決colaboratory教學的問題，作者劉峻誠,陳宇春 這樣論述：

　　1. 主題學習：循序漸進介紹人工智慧領域中數據處理、數據標記、神經網路、機器學習、物件辨識等重要概念。 　　2. 輕鬆入門：結合公開、免費與好用的開源工具與網頁，引導讀者輕鬆進入機器學習的領域。 　　3. 時下最夯：介紹目前人工智慧趨勢 — 邊緣運算，並說明雲與端如何相互依存與協同作業。 　　4. 生活應用：藉由 AI 加速棒的實作，帶領讀者體驗AI的落實應用。   　　MOSME行動習一點通： 　　使用「MOSME行動習一點通」，登入會員與書籍密碼，可線上閱讀、觀看範例影片、下載補充資料與範例程式。 　　‧ 診斷：可線上練習本書題目，檢視學習成效。 　　‧ 評量：每次實作經創客師核可

，可取得創客學習力認證，累積學習歷程。 　　‧ 影音：於學習資源「影音教學」專區，可觀看範例操作影片。 　　‧ 擴增：線上提供相關補充資料，供自主學習或教學參考之用。 　　‧ 加值：附書中範例程式，方便讀者下載使用。

運用YOLO卷積神經網路演算法辨識香蕉葉健康程度

為了解決colaboratory教學的問題，作者許珈瑄 這樣論述：

台灣香蕉產業在1967年正值台灣香蕉外銷全盛時期，占日本進口香蕉總量約82%，世界產量的4，在1971年後，菲律賓及中南美香蕉大量出口至日本市場，市場變化快速，當時台灣面臨黃葉病以及生產成本高導致進口成本也高、品質無法標準化。菲律賓種植香蕉成本較低以及大規模的種植、可依照市場需求提供小包裝做到品質標準化，種種原因導致台灣香蕉由外銷轉為內銷，台灣香蕉外銷地位被迅速超越。本研究應用深度學習影像辨識之基礎運用卷積神經網路演算法，利用香蕉葉面顏色來辨識是否染病，以下區分為健康葉面（葉面呈現綠色）及不健康葉面（葉面呈現黃褐色/黑色）。因新冠肺炎親自至現場考察拍攝圖片的資料有限，故本研究至網路蒐集後初始

數量有健康香蕉葉面50張；不健康香蕉葉面100張。藉由Open CV進行圖像形變方式增加初始資料集，最終訓練資料集數量為健康香蕉葉面500張；不健康香蕉葉面1000張，共1500張圖像，測試資料為從1500張隨機挑選40張。初步完成資料集後使用LableImg進行圖像標記作業完成後再將圖像分成兩個資料集放入雲端，藉由Google Colaboratory平台安裝Darknet框架訓練YOLOv3模型來辨識香蕉葉是否染病，將資料集1健康香蕉葉面500張放入模型訓練（迭代次數=300000）；資料集2不健康香蕉葉面1000張放入模型訓練（迭代次數=250000），訓練完成後，隨機挑選40張測試，測

試結果顯示健康香蕉葉面平均準確度約84.3%；不健康香蕉葉面準確率平均約84.6%，希望利用此方法提供相關單位來判別香蕉葉面是否染病。