可解釋AI(Interpretable AI)將教會(huì)你識(shí)別模型所學(xué)習(xí)的模式及其產(chǎn)生結(jié)果的原因。通過閱讀《可解釋AI實(shí)戰(zhàn)（PyTorch版）》，你將掌握一些用于解釋白盒模型(如線性回歸和廣義可加模型)的方法，以及一些用于解釋復(fù)雜深度學(xué)習(xí)模型的方法。可解釋AI是一個(gè)快速發(fā)展的領(lǐng)域，本書將該領(lǐng)域的前沿研究簡化為你可以在Python中實(shí)現(xiàn)的實(shí)際方法。 主要內(nèi)容 ● 解釋AI模型的技術(shù) ● 最大限度地減少錯(cuò)誤、偏見、數(shù)據(jù)泄露和概念漂移 ●
《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)：視頻教學(xué)版》基于Python語言詳細(xì)講解機(jī)器學(xué)習(xí)算法及其應(yīng)用，用于讀者快速入門機(jī)器學(xué)習(xí)。本書配套示例源代碼、PPT課件、教學(xué)視頻、教學(xué)大綱、習(xí)題與答案、作者微信答疑。《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)：視頻教學(xué)版》共分12章，內(nèi)容包括機(jī)器學(xué)習(xí)概述、Python數(shù)據(jù)處理基礎(chǔ)、Python常用機(jī)器學(xué)習(xí)庫、線性回歸及應(yīng)用、分類算法及應(yīng)用、數(shù)據(jù)降維及應(yīng)用、聚類算法及應(yīng)用、關(guān)聯(lián)規(guī)則挖掘算法及應(yīng)用、協(xié)同過濾算法及應(yīng)用，最后通過3個(gè)綜合實(shí)戰(zhàn)項(xiàng)目（包括新聞內(nèi)容分類實(shí)戰(zhàn)、泰坦尼克號(hào)獲救預(yù)測實(shí)戰(zhàn)、中藥數(shù)據(jù)分析項(xiàng)
本書共分為三部分，內(nèi)容包括：概述、基于輿情現(xiàn)象識(shí)別視角的網(wǎng)絡(luò)輿情預(yù)測、政府媒體在網(wǎng)絡(luò)輿情演化中的傳播力與影響力研究。具體內(nèi)容包括：緒論；相關(guān)理論與技術(shù)概述；面向非均衡事件子集的輿情反轉(zhuǎn)預(yù)測；網(wǎng)絡(luò)暴力類輿情事件演化及預(yù)測等。
本書為該套叢書的第二卷：計(jì)算機(jī)視覺。本書主要介紹了深度模型、激活函數(shù)和特征空間；Torchvision、數(shù)據(jù)集、模型和變換；卷積神經(jīng)網(wǎng)絡(luò)、丟棄和學(xué)習(xí)率調(diào)度器；遷移學(xué)習(xí)和微調(diào)流行的模型(ResNet、Inception等)等內(nèi)容。
本書主要介紹了梯度下降和PyTorch的Autograd；訓(xùn)練循環(huán)、數(shù)據(jù)加載器、小批量和優(yōu)化器；二元分類器、交叉熵?fù)p失和不平衡數(shù)據(jù)集；決策邊界、評(píng)估指標(biāo)和數(shù)據(jù)可分離性等內(nèi)容。
本書系統(tǒng)介紹了基于強(qiáng)化學(xué)習(xí)的多智能體協(xié)同技術(shù)，涉及進(jìn)化算法、納什均衡等相關(guān)主題，討論了基于強(qiáng)化學(xué)習(xí)的多智能體協(xié)同理論、一致性學(xué)習(xí)算法、基于協(xié)同Q學(xué)習(xí)算法的多智能體規(guī)劃技術(shù)等，研究了ICFA方法的優(yōu)越性，將計(jì)算時(shí)間和結(jié)果準(zhǔn)確性作為指標(biāo)進(jìn)行考核，在多機(jī)器人實(shí)時(shí)攜桿問題中驗(yàn)證了算法的有效性。并給出了針對(duì)多機(jī)器人協(xié)同問題的應(yīng)用實(shí)例。本書不僅包含多智能體強(qiáng)化學(xué)習(xí)協(xié)同研究的最新進(jìn)展，而且提供了一種相對(duì)于傳統(tǒng)方法更加高效的技術(shù)路線，并根據(jù)未來的研究趨勢分析本書的應(yīng)用前景。
本書包含代碼實(shí)踐和案例實(shí)踐，運(yùn)用OpenCV、PyTorch等框架工具詳細(xì)講解中文車牌識(shí)別檢測、采用三元組的FaceNet人臉識(shí)別理論與實(shí)踐、車道檢測的兩種深度學(xué)習(xí)思路及煙霧檢測4大實(shí)踐項(xiàng)目。相關(guān)理論可參考《基于深度學(xué)習(xí)的目標(biāo)檢測原理與應(yīng)用》一書，從而學(xué)以致用、融會(huì)貫通。
本書系統(tǒng)介紹了推薦算法的知識(shí)框架和技術(shù)細(xì)節(jié)，包括召回、粗排、精排和重排等模塊。第1章從用戶體驗(yàn)、內(nèi)容生產(chǎn)和平臺(tái)發(fā)展角度介紹為什么需要推薦系統(tǒng)，并闡述推薦系統(tǒng)的分類及整體技術(shù)架構(gòu)。第2章介紹推薦算法模型的基礎(chǔ)——數(shù)據(jù)樣本和特征工程。第3章介紹傳統(tǒng)推薦算法。第4~7章介紹推薦系統(tǒng)中最復(fù)雜的部分——精排模塊，包括特征交叉、用戶行為序列建模、Embedding表征學(xué)習(xí)和多任務(wù)學(xué)習(xí)。第8章介紹召回模塊，并詳細(xì)講解非個(gè)性化召回和個(gè)性化召回算法。第9章介紹粗排模塊，重點(diǎn)講解特征蒸餾和輕量級(jí)特征交叉等方法。第1
本書以PyTorch作為深度學(xué)習(xí)框架，主要包括4部分。第1部分（第1、2章），主要概述PyTorch基礎(chǔ)知識(shí)與常見深度學(xué)習(xí)算法實(shí)現(xiàn)，例如，CNN、LSTM，即CNN-LSTM；第2部分（第3～5章）高級(jí)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，主要包括常見的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，例如CNN、RNN及最新的Transformer等模型；第3部分（第6～9章）生成式AI和深度強(qiáng)化學(xué)習(xí)，主要包括GAN、GPT和DQN等算法；第4部分（第10～14章）生產(chǎn)中PyTorch落地的幾個(gè)關(guān)鍵性主題，分布式訓(xùn)練、自動(dòng)機(jī)器學(xué)習(xí)管道構(gòu)建和硬件快速
圖強(qiáng)化學(xué)習(xí)是深度強(qiáng)化學(xué)習(xí)的重要分支領(lǐng)域。本書作為該領(lǐng)域的入門教材，在內(nèi)容上盡可能覆蓋圖強(qiáng)化學(xué)習(xí)的基礎(chǔ)知識(shí)，并提供應(yīng)用實(shí)踐案例。全書共 10章，大致分為三部分：第一部分（第 1～3章）介紹圖強(qiáng)化學(xué)習(xí)研究對(duì)象（復(fù)雜系統(tǒng)、圖和復(fù)雜網(wǎng)絡(luò)）；第二部分（第 4～7章）介紹圖強(qiáng)化學(xué)習(xí)基礎(chǔ)知識(shí)（圖嵌入、圖神經(jīng)網(wǎng)絡(luò)和深度強(qiáng)化學(xué)習(xí)）；第三部分（第 8～10章）介紹圖強(qiáng)化學(xué)習(xí)模型框架和應(yīng)用實(shí)踐案例，并進(jìn)行總結(jié)和展望。每章都附有習(xí)題并介紹了相關(guān)閱讀材料，以便有興
新書資訊 新書推薦