本書是《動手學深度學習》的重磅升級版本，選用PyTorch深度學習框架，旨在向讀者交付更為便捷的有關深度學習的交互式學習體驗。 本書重新修訂《動手學深度學習》的所有內(nèi)容，并針對技術的發(fā)展，新增注意力機制、預訓練等內(nèi)容。本書包含15章，第一部分介紹深度學習的基礎知識和預備知識，并由線性模型引出基礎的神經(jīng)網(wǎng)絡——多層感知機；第二部分闡述深度學習計算的關鍵組件、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、注意力機制等大多數(shù)現(xiàn)代深度學習應用背后的基本工具；第三部分討論深度學習中常用的優(yōu)化算法和影響深度學習計算性能的重要
本書是《動手學深度學習》的重磅升級版本，選用經(jīng)典的PyTorch深度學習框架，旨在向讀者交付更為便捷的有關深度學習的交互式學習體驗。本書重新修訂《動手學深度學習》的所有內(nèi)容，并針對技術的發(fā)展，新增注意力機制、預訓練等內(nèi)容。本書包含15章，第一部分介紹深度學習的基礎知識和預備知識，并由線性模型引出最簡單的神經(jīng)網(wǎng)絡多層感知機；第二部分闡述深度學習計算的關鍵組件、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、注意力機制等大多數(shù)現(xiàn)代深度學習應用背后的基本工具；第三部分討論深度學習中常用的優(yōu)化
本書是近年來作者對混合智能系統(tǒng)研究成果及經(jīng)驗的總結。本書界定了混合智能系統(tǒng)的研究范圍和研究層次，給出了混合智能系統(tǒng)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(tǒng)技術選擇為核心，依據(jù)“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(tǒng)構造方法。在對串型混合智能系統(tǒng)、并型混合智能系統(tǒng)、反饋型混合智能系統(tǒng)、內(nèi)嵌型混合智能系統(tǒng)、混聯(lián)型混合智能系統(tǒng)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(tǒng)構造方法進行了實證研究，并將混合智能系統(tǒng)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?nèi)?br>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(fā)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(guī)范。該書建議，為了解決這些問題，我們需要跨行業(yè)和國際層面制定新的制度和法規(guī)。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(fā), 介紹了回歸算法、基于實例的算法、樹方法、神經(jīng)網(wǎng)絡、自然語言處理、社會網(wǎng)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(jīng)典算法, 并運用常見算法庫以代碼實現(xiàn)為目的, 以商業(yè)分析、金融投資、科研輔助、工程優(yōu)化等案例為對象, 逐步講解每一個算法的實現(xiàn)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(fā)展的漫長歷程中，如何讓機器學會創(chuàng)作一直被視為難以逾越的天塹，創(chuàng)造力也因此被視為人類與機器最本質(zhì)的區(qū)別之一。然而，人類的創(chuàng)造力也終將賦予機器創(chuàng)造力，把世界送入智能創(chuàng)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(xiàn)，無疑拉開了智能創(chuàng)作時代的序幕。從機器學習到智能創(chuàng)造，從PGC、UGC到AIGC，我們即將見證一場深刻的生產(chǎn)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(yè)者、創(chuàng)業(yè)者、投資人、政府部門科
本書重點分析非線性時滯系統(tǒng)的迭代學習控制方案設計及其穩(wěn)定性分析問題。內(nèi)容包括：不確定時變參數(shù)化非線性時滯系統(tǒng)迭代學習控制、非參數(shù)化非線性時滯系統(tǒng)迭代學習控制、控制方向未知的非線性時滯系統(tǒng)迭代學習控制、基于觀測器的非線性時滯系統(tǒng)迭代學習控制、機械臂系統(tǒng)自適應迭代學習控制等。
本書從圖劃分的視角系統(tǒng)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(jiān)督、半監(jiān)督和監(jiān)督學習問題，同時考慮協(xié)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(shù)據(jù)中心機器學習的訓練系統(tǒng)設計和通信優(yōu)化技術。本書面向多數(shù)據(jù)中心間的分布式機器學習系統(tǒng)，針對多數(shù)據(jù)中心間有限的傳輸帶寬、動態(tài)異構資源，以及異構數(shù)據(jù)分布三重挑戰(zhàn)，自底向上討論梯度傳輸協(xié)議、流量傳送調(diào)度、高效通信架構、壓縮傳輸機制、同步優(yōu)化算法、異構數(shù)據(jù)優(yōu)化算法六個層次的優(yōu)化技術，旨在提升分布式機器學習系統(tǒng)的訓練效率和模型性能，突破跨數(shù)據(jù)中心機器學習的通信瓶頸和數(shù)據(jù)壁壘，實現(xiàn)多數(shù)據(jù)中心算力和數(shù)據(jù)資源的高效整合。本書可作為跨數(shù)據(jù)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(shù)據(jù)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(tǒng)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(fā)的人員或愛好者使用，也可作為相關專業(yè)的教材。
新書資訊 新書推薦