<progress id="06cax"></progress>
本書是近年來作者對混合智能系統研究成果及經驗的總結。本書界定了混合智能系統的研究范圍和研究層次，給出了混合智能系統的概念。以設計科學的思想為基礎，以基于案例推理的混合智能系統技術選擇為核心，依據“從定性到定量綜合集成研討廳”的基本思想，提出了基于案例推理的混合智能系統構造方法。在對串型混合智能系統、并型混合智能系統、反饋型混合智能系統、內嵌型混合智能系統、混聯型混合智能系統的應用特點進行分析的基礎上，對基于案例推理的混合智能系統構造方法進行了實證研究，并將混合智能系統引入商務智能的應用中。最后對
本書闡釋了人工智能（AI）的獨特之處，它可能導致哪些法律和道德問題，以及我們如何解決這些問題。它認為 AI 與先前其他的任何技術都有不同，因為它能夠獨立且不可預測地做出決策。這引發了三個問題：責任——如果 AI 造成傷害，誰來負責；權利——賦予 AI 法律人格的道德爭議和務實理由；以及圍繞人工智能決策的倫理規范。該書建議，為了解決這些問題，我們需要跨行業和國際層面制定新的制度和法規。本書包含對復雜主題的清晰解釋，將會吸引不同學科的受眾，無論是對法律、政治和哲學感興趣的人士，還是對計算機編
本書的編程語言以Python為主, 詳細介紹了人工智能算法主流類別, 從常見的特征處理算法出發, 介紹了回歸算法、基于實例的算法、樹方法、神經網絡、自然語言處理、社會網絡、群粒子算法、推薦算法。本書針對每一個大類算法都介紹了該門類下的幾個經典算法, 并運用常見算法庫以代碼實現為目的, 以商業分析、金融投資、科研輔助、工程優化等案例為對象, 逐步講解每一個算法的實現和在案例分析中的運用, 涉及案例均可掃碼實時觀看。
在人工智能發展的漫長歷程中，如何讓機器學會創作一直被視為難以逾越的天塹，創造力也因此被視為人類與機器最本質的區別之一。然而，人類的創造力也終將賦予機器創造力，把世界送入智能創作的新時代。人工智能繪畫作品的奪冠、超級聊天機器人ChatGPT的出現，無疑拉開了智能創作時代的序幕。從機器學習到智能創造，從PGC、UGC到AIGC，我們即將見證一場深刻的生產力變革，而這份變革也會影響到我們工作與生活的方方面面。本書將結合生動的比喻和有趣的案例，向所有關注未來科技的從業者、創業者、投資人、政府部門科
本書從圖劃分的視角系統介紹基于圖論的機器學習方法，包括機器學習中的三類基本學習問題：無監督、半監督和監督學習問題，同時考慮協同正則化、多重正則化和路徑傳播對基于圖論的學習方法進行了拓展。通過大量的實驗驗證，本書提供的方法合理有效，算法效率顯著提高。
本書基于作者多年的研究成果，詳細介紹了跨數據中心機器學習的訓練系統設計和通信優化技術。本書面向多數據中心間的分布式機器學習系統，針對多數據中心間有限的傳輸帶寬、動態異構資源，以及異構數據分布三重挑戰，自底向上討論梯度傳輸協議、流量傳送調度、高效通信架構、壓縮傳輸機制、同步優化算法、異構數據優化算法六個層次的優化技術，旨在提升分布式機器學習系統的訓練效率和模型性能，突破跨數據中心機器學習的通信瓶頸和數據壁壘，實現多數據中心算力和數據資源的高效整合。本書可作為跨數據中心機器學習的參考資料，供人工智能
本書是《Scikit-learn機器學習詳解》（潘風文編著）的進階篇，講解了Sklearn（Scikit-learn）機器學習框架的各種高級應用技術，包括數據集導入工具、集成學習、模型選擇和交叉驗證、異常檢測、管道、 信號分解、模型持久化以及Sklearn系統高級配置。通過本書的學習，讀者可快速掌握Sklearn框架的高級知識，邁入人工智能殿堂的大門。本書適合有志于從事機器學習、人工智能技術開發的人員或愛好者使用，也可作為相關專業的教材。
本書從語義匹配的角度解決搜索引擎和推薦系統的關鍵痛點，為構建解決語義匹配問題的深度學習模型提供了通用框架。第1章概述搜索和推薦中的語義匹配問題，以及近年來的研究進展。第2章介紹傳統匹配模型，包括潛在空間模型。第3章介紹深度學習技術在構建匹配模型時的應用。第4章和第5章分別介紹用于搜索和推薦的深度匹配模型，并將當前的深度學習解決方案分為兩類：表示學習方法和匹配函數學習方法。第6章對全書內容做了總結，并為讀者指明進一步學習的方向。本書適合對深度學習感興趣的各類讀者，包括
本教材可以作為人工智能學科相關的機器學習技術的入門教材, 目的不在于覆蓋機器學習技術的所有知識點, 而是介紹機器學習的常用算法及其應用, 使讀者了解機器學習的基本構成及不同場景下使用何種機器學習算法。為了增強實踐效果, 本教材引入了多個基礎技術案例及綜合實踐案例, 以幫助讀者了解機器學習涉及的基本知識和技能。
深度學習是人工智能與機器學習領域的重要研究分支，經過短短十幾年的發展，已經在計算機視覺與圖像處理、自然語言處理等領域取得令人矚目的成就。本書作為深度學習方面的專門書籍，融合了機器學習、人工神經網絡和深度學習的相關概念，并且從信號處理視角呈現了深度學習背后的幾何學原理，以便從統一的角度去深化理解深度學習的主要模型和算法，從而更好地用于指導理論分析和實踐開發。全書分為三個部分，共14章。第1～4章為第一部分，主要介紹機器學習基礎知識，包括向量空間、矩陣代數、凸優化等數學預備知識，以及支持向量機、核回
新書資訊 新書推薦