《Scikit-Learn機器學(xué)習(xí)核心技術(shù)與實踐》循序漸進(jìn)地講解了使用 Scikit-Learn 開發(fā)機器學(xué)習(xí)程序的核心知識，并通過具體實例的實現(xiàn)過程演練了使用 Scikit-Learn 的方法和流程。全書共10章，包括人工智能與Scikit-Learn 簡介，加載數(shù)據(jù)集，監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)，模型選擇和評估，數(shù)據(jù)集轉(zhuǎn)換，實現(xiàn)大數(shù)據(jù)計算，英超聯(lián)賽比分預(yù)測系統(tǒng)（Matplotlib+Scikit-Learn+Flask+Pandas），AI考勤管理系統(tǒng)（face-recognition+Matpl
《TensorFlow Lite移動設(shè)備深度學(xué)習(xí)從入門到實踐》循序漸進(jìn)地講解了使用 TensorFlow Lite開發(fā)移動設(shè)備深度學(xué)習(xí)程序的核心知識，并通過具體實例的實現(xiàn)過程演練了使用TensorFlow Lite 的方法和流程。全書共12章，分別講解了人工智能和機器學(xué)習(xí)基礎(chǔ)、搭建開發(fā)環(huán)境、第一個 TensorFlow Lite程序、轉(zhuǎn)換模型、推斷、使用元數(shù)據(jù)進(jìn)行推斷、優(yōu)化處理、手寫數(shù)字識別器、鮮花識別系統(tǒng)、情感文本識別系統(tǒng)、物體檢測識別系統(tǒng)、智能客服系統(tǒng)。《TensorFlow Lit
主要內(nèi)容●探索深度學(xué)習(xí)的**似然原理和統(tǒng)計學(xué)基礎(chǔ)●發(fā)現(xiàn)能輸出各種可能結(jié)果的概率模型●學(xué)習(xí)使用標(biāo)準(zhǔn)化流來建模和生成復(fù)雜分布●使用貝葉斯神經(jīng)網(wǎng)絡(luò)獲取模型中的不確定性
本書以新版深度學(xué)習(xí)框架PyTorch為基礎(chǔ)，循序漸進(jìn)地介紹其在深度學(xué)習(xí)中的應(yīng)用。全書共10章，從深度學(xué)習(xí)數(shù)學(xué)知識入手，逐步介紹PyTorch在數(shù)值建模、圖像建模、文本建模、音頻建模中的基本概念及應(yīng)用示例，還將介紹模型的可視化和聯(lián)邦學(xué)習(xí)等內(nèi)容，以擴展讀者的視野。本書在講解每一個知識點的同時，都配合有動手練習(xí)實例，便于讀者深入理解所學(xué)知識，并達(dá)成學(xué)以致用的目標(biāo)。本書原理與實踐并重，易于理解且可操作性強，特別適合PyTorch新手、大學(xué)生、研究人員和開發(fā)人員使用，也可作為高等院校相關(guān)專業(yè)的教學(xué)
本書是為高等院校計算機科學(xué)與技術(shù)、軟件工程、人工智能、大數(shù)據(jù)技術(shù)、信息管理等相關(guān)專業(yè)的“人機交互技術(shù)”或“人機界面設(shè)計”等課程編寫的以實驗和實踐為主線開展教學(xué)的主教材。全書通過一系列在網(wǎng)絡(luò)環(huán)境下學(xué)習(xí)和實踐的實驗練習(xí)，把人機交互技術(shù)的概念、理論知識與技術(shù)融入實踐中，加深讀者對該課程的認(rèn)識和理解。內(nèi)容包括人機交互與用戶體驗，人機交互相關(guān)學(xué)科，人機交互界面，概念化交互，社會化交互，情感化交互，發(fā)現(xiàn)需求，交互設(shè)計過程，設(shè)計指南與原則，原型構(gòu)建與敏捷設(shè)計，直接操縱與界面設(shè)計，命令、菜單與表格，用戶
強化學(xué)習(xí)作為機器學(xué)習(xí)及人工智能領(lǐng)域的一種重要方法，在游戲、自動駕駛、機器人路線規(guī)劃等領(lǐng)域得到了廣泛的應(yīng)用。 本書結(jié)合了李宏毅老師的“深度強化學(xué)習(xí)”、周博磊老師的“強化學(xué)習(xí)綱要”、李科澆老師的“世界冠軍帶你從零實踐強化學(xué)習(xí)”公開課的精華內(nèi)容，在理論嚴(yán)謹(jǐn)?shù)幕A(chǔ)上深入淺出地介紹馬爾可夫決策過程、蒙特卡洛方法、時序差分方法、Sarsa、Q 學(xué)習(xí)等傳統(tǒng)強化學(xué)習(xí)算法，以及策略梯度、近端策略優(yōu)化、深度Q 網(wǎng)絡(luò)、深度確定性策略梯度等常見深度強化學(xué)習(xí)算法的基本概念和方法，并以大量生動有趣的例子幫助讀者理解強化學(xué)
雖然很多深度學(xué)習(xí)工具都使用Python，但PyTorch 庫是真正具備Python 風(fēng)格的。對于任何了解NumPy 和scikit-learn 等工具的人來說，上手PyTorch 輕而易舉。PyTorch 在不犧牲高級特性的情況下簡化了深度學(xué)習(xí)，它非常適合構(gòu)建快速模型，并且可以平穩(wěn)地從個人應(yīng)用擴展到企業(yè)級應(yīng)用。由于像蘋果、Facebook和摩根大通這樣的公司都使用PyTorch，所以當(dāng)你掌握了PyTorth，就會擁有更多的職業(yè)選擇。 本書是教你使用 PyTorch 創(chuàng)建神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)系統(tǒng)的實
Kubeflow是基于K8S的機器學(xué)習(xí)工具包，是為數(shù)據(jù)科學(xué)家和數(shù)據(jù)工程師構(gòu)建生產(chǎn)級別的機器學(xué)習(xí)實現(xiàn)而設(shè)計的。本書采用循序漸進(jìn)的方式，從 Kubeflow 的安裝、使用和設(shè)計開篇，隨后從模型訓(xùn)練的整個周期展開，涵蓋了數(shù)據(jù)探索、特征準(zhǔn)備、模型訓(xùn)練/調(diào)優(yōu)、模型服務(wù)、模型測試、模型監(jiān)測和模型版本管理等各個環(huán)節(jié)，既有相關(guān)的理論知識也囊括了真實的使用案例，能夠讓讀者在學(xué)習(xí) Kubeflow 知識的同時全面了解機器學(xué)習(xí)的相關(guān)知識，是入門和深入學(xué)習(xí)Kubeflow以及機器學(xué)習(xí)的良好指南。
《集成學(xué)習(xí)入門與實戰(zhàn)：原理、算法與應(yīng)用》通過6章內(nèi)容全面地解讀了集成學(xué)習(xí)的基礎(chǔ)知識、集成學(xué)習(xí)技術(shù)、集成學(xué)習(xí)庫和實踐應(yīng)用。其中集成學(xué)習(xí)技術(shù)包括采樣、Bagging、投票集成、Boosting、AdaBoost、梯度提升、XGBoost、Stacking、隨機森林、決策樹等，從混合訓(xùn)練數(shù)據(jù)到混合模型，再到混合組合，邏輯嚴(yán)謹(jǐn)、逐步講解；同時也對ML-集成學(xué)習(xí)、Dask、LightGBM、AdaNet等集成學(xué)習(xí)庫相關(guān)技術(shù)進(jìn)行了詳細(xì)解讀；最后通過相關(guān)實踐對集成學(xué)習(xí)進(jìn)行綜合性應(yīng)用。本書配有邏輯框圖、關(guān)鍵代碼
《OpenCV 4.0+Python機器學(xué)習(xí)與計算機視覺實戰(zhàn)》詳細(xì)闡述了機器學(xué)習(xí)與計算機視覺相關(guān)的基本解決方案，主要包括濾鏡、深度傳感器和手勢識別、通過特征匹配和透視變換查找對象、使用運動恢復(fù)結(jié)構(gòu)重建3D場景、在OpenCV中使用計算攝影、跟蹤視覺上的顯著對象、識別交通標(biāo)志、識別面部表情、對象分類和定位、檢測和跟蹤對象等內(nèi)容。此外，本書還提供了相應(yīng)的示例、代碼，以幫助讀者進(jìn)一步理解相關(guān)方案的實現(xiàn)過程。本書適合作為高等院校計算機及相關(guān)專業(yè)的教材和教學(xué)參考書，也可作為相關(guān)開發(fā)人員的自學(xué)用書和
新書資訊 新書推薦