人工智能是研究利用計算機系統(tǒng)實現(xiàn)人類智能的理論、方法和技術(shù)的學(xué)科。本書較系統(tǒng)進介紹了人工智能的基本內(nèi)容，主要包括人工智能發(fā)展的三次熱潮、知識與知識表示、推理方式、搜索策略、專家系統(tǒng)、機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)模型、深度學(xué)習(xí)、計算機視覺、自然語言處理、知識圖譜、智能體、群智能算法、生物征識別和智能機器人等。 本書注重基本概念、基本方法和應(yīng)用實例的介紹，譜言精煉、邏輯層次清晰、透合作為高等學(xué)校人工智能”課程的教材，也可以用作科技人員的參考書。
本書以PyTorch深度學(xué)習(xí)的常用技術(shù)與真實案例相結(jié)合的方式，深入淺出地介紹使用PyTorch實現(xiàn)深度學(xué)習(xí)應(yīng)用的重要內(nèi)容。本書共7章，內(nèi)容包括深度學(xué)習(xí)概述、PyTorch深度學(xué)習(xí)通用流程、PyTorch深度學(xué)習(xí)基礎(chǔ)、手寫漢字識別、文本生成、基于CycleGAN的圖像風(fēng)格轉(zhuǎn)換、基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)文本生成等。本書大部分章包含實訓(xùn)和課后習(xí)題，希望通過練習(xí)和操作實踐，幫助讀者鞏固所學(xué)的內(nèi)容。 本書可以作為高等學(xué)校數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)或人工智能相關(guān)專業(yè)的教材，也可作為深度學(xué)習(xí)愛好者的自學(xué)
本書以項目實踐作為主線，結(jié)合必需的理論知識，以任務(wù)的形式進行內(nèi)容設(shè)計，每個任務(wù)都包含任務(wù)描述及任務(wù)實施的步驟，讀者按照實施步驟進行操作就可以完成相應(yīng)的學(xué)習(xí)任務(wù)，從而不斷提升項目實踐能力。本書主要內(nèi)容涉及機器學(xué)習(xí)的基礎(chǔ)知識，模型評估與選擇，回歸、分類、聚類等機器學(xué)習(xí)算法，數(shù)據(jù)挖掘的基礎(chǔ)知識，數(shù)據(jù)分析與應(yīng)用，以及通過用戶行為分析預(yù)測項目學(xué)習(xí)如何將機器學(xué)習(xí)與數(shù)據(jù)挖掘應(yīng)用到實際中。 本書適合使用機器學(xué)習(xí)與數(shù)據(jù)挖掘技術(shù)進行大數(shù)據(jù)處理的程序員、架構(gòu)師和產(chǎn)品經(jīng)理作為技術(shù)參考和培訓(xùn)資料，也可作為高校本科生和研究
本書系統(tǒng)介紹了眾包學(xué)習(xí)的概念、應(yīng)用領(lǐng)域、前沿課題和研究實踐。在基礎(chǔ)知識方面，本書介紹了眾包的起源與發(fā)展、眾包技術(shù)的研究方向，分析眾包模式給機器學(xué)習(xí)帶來的機遇與挑戰(zhàn)。在前沿技術(shù)方面，本書詳細闡述了眾包標注真值推斷與面向眾包標注數(shù)據(jù)的預(yù)測模型學(xué)習(xí)等前沿研究課題。在研究實踐方面，本書介紹了面向偏置標注的眾包標簽真值推斷、基于機器學(xué)習(xí)模型的眾包標簽噪聲處理、眾包標簽利用方法與集成學(xué)習(xí)模型、基于不確定性度量的眾包主動學(xué)習(xí)等典型研究案例。
本書以統(tǒng)計/數(shù)學(xué)為出發(fā)點, 介紹深度學(xué)習(xí)必備的數(shù)理基礎(chǔ), 講解PyTorch的主體架構(gòu)及最新的模塊功能, 包括常見算法與相關(guān)套件的使用方法, 例如對象偵測、生成對抗網(wǎng)絡(luò)、深度偽造、圖像中的文字辨識、臉部辨識、BERT/Transformer、聊天機器人、強化學(xué)習(xí)、自動語音識別、知識圖譜等。
本書是一本深度學(xué)習(xí)從入門、算法到應(yīng)用實踐的書籍。全書共9章，第1章介紹深度學(xué)習(xí)基礎(chǔ)，主要介紹基本概念和基本算法；第2章介紹深度學(xué)習(xí)的計算平臺，主要介紹深度神經(jīng)網(wǎng)絡(luò)計算芯片TPU的架構(gòu)原理；第3章介紹深度學(xué)習(xí)編程環(huán)境和操作基礎(chǔ)，引導(dǎo)零基礎(chǔ)讀者快速入門Linux操作系統(tǒng)、Python編程語言、TensorFlow和PyTorch深度學(xué)習(xí)框架，為實現(xiàn)深度學(xué)習(xí)算法開發(fā)及應(yīng)用部署奠定基礎(chǔ)；第4～8章基于卷積神經(jīng)網(wǎng)絡(luò)，分別聚焦計算機視覺領(lǐng)域的幾大經(jīng)典任務(wù)，包括圖像的分類、目標檢測、語義分割、實例分割、人臉檢
本書全面介紹了統(tǒng)計機器學(xué)習(xí)的主要算法，內(nèi)容涉及多元線性回歸、對數(shù)線性回歸、邏輯斯蒂回歸、嶺回歸、Lasso回歸、判別分析和聚類分析等傳統(tǒng)方法，也涉及支持向量機、深度神經(jīng)網(wǎng)絡(luò)以及集成學(xué)習(xí)等比較熱門的算法，并給出相應(yīng)算法的R語言實現(xiàn)。本書還給出了向量和矩陣函數(shù)求導(dǎo)以及拉格朗日對偶等數(shù)學(xué)基礎(chǔ)，便于讀者理解相關(guān)算法推導(dǎo)。 本書可以作為統(tǒng)計機器學(xué)習(xí)等相關(guān)專業(yè)的教材和參考書，也可供從事相關(guān)領(lǐng)域研究的人員參考。
人工智能驅(qū)動的組學(xué)挖掘是數(shù)據(jù)驅(qū)動的生物醫(yī)學(xué)研究的支撐技術(shù)。組學(xué)測序技術(shù)逐步向多尺度、跨模態(tài)、有擾動等方向發(fā)展，但體現(xiàn)出的高維度、高噪聲、多模態(tài)、標記稀缺等特點，成為制約其有效挖掘的瓶頸。本書面向生命組學(xué)數(shù)據(jù)特點，較為系統(tǒng)和深入地對組學(xué)機器學(xué)習(xí)的主要研究范式、適用場景、分析方法、理論思想進行介紹。結(jié)合相應(yīng)組學(xué)挖掘的具體研究案例，向讀者展示組學(xué)人工智能驅(qū)動的生命健康交叉研究的絢爛圖景。
數(shù)據(jù)驅(qū)動的在線協(xié)作學(xué)習(xí)分析是提升協(xié)作學(xué)習(xí)效果的重要基礎(chǔ)，是推動在線學(xué)習(xí)變革的重要力量。本書系統(tǒng)梳理了學(xué)習(xí)分析的研究現(xiàn)狀，闡釋了協(xié)作學(xué)習(xí)的理論基礎(chǔ)與研究熱點，構(gòu)建了在線協(xié)作學(xué)習(xí)分析模型——KBS模型，設(shè)計了面向?qū)W習(xí)者和教師的群體感知工具，分別從學(xué)習(xí)者和教師視角分析了群體感知工具對學(xué)習(xí)者學(xué)習(xí)和教師教學(xué)的支持與指導(dǎo)，探討了社會調(diào)節(jié)學(xué)習(xí)在協(xié)作學(xué)習(xí)中的發(fā)生機制，展望了在線協(xié)作學(xué)習(xí)交互分析的發(fā)展趨勢，為研究者刻畫了協(xié)作學(xué)習(xí)分析領(lǐng)域的最新理論模型與研究進展，具有較強的理論價值與應(yīng)用價值。
在數(shù)字化時代，嵌入式人工智能系統(tǒng)和深度學(xué)習(xí)等技術(shù)變得越來越重要。在嵌入式平臺上進行深度學(xué)習(xí)推理時會受到計算能力、存儲空間、能耗等資源限制的挑戰(zhàn)。本書從深度學(xué)習(xí)模型在資源受限的硬件平臺上部署的角度，介紹嵌入式AI系統(tǒng)的基本概念、需求、挑戰(zhàn)，以及其軟硬件解決方案。 本書共分為7章。第1章介紹了邊緣計算； 第2章介紹了嵌入式AI系統(tǒng)的基本概念及其面臨的需求與挑戰(zhàn)； 第3章介紹了嵌入式AI系統(tǒng)的硬件解決方案； 第4~6章介紹了嵌入式AI系統(tǒng)的軟件解決方案，包括DNN模型的構(gòu)建及實現(xiàn)、輕量級DNN模
新書資訊 新書推薦