本書作者對于人工智能的發展、應用和影響問題的研究已有幾年的時間：初關注人工智能的微觀應用問題，對于無人經濟的內涵、分類、發展機制、應用模式等做了一些探索；后來研究興趣轉移到宏觀層面，重點關注人工智能發展對于就業的影響，本書是作者近兩年研究的總結。未來作者將把研究重點轉向人工智能發展背景下的分配問題。隨著人工智能發展導致勞動被大量替代，社會保障制度的完善將成為維持經濟正常運轉和社會穩定的關鍵，當人工智能的發展和應用根本改變了勞動方式、生產方式、資源配置方式、就業結構、經濟制度乃至所有制結構時
大數據時代的到來，為人工智能的飛速發展帶來前所未有的數據紅利。在大數據的喂養下，大量知識不斷涌現，如何有效地發掘這些知識呢？知識圖譜橫空出世。本書是一本講解如何使用TensorFlow 2構建知識圖譜的入門教程，引導讀者掌握基于深度學習的知識圖譜構建概念、理論和方法。 本書分為13章：第1章從搭建環境開始，包含TensorFlow CPU 版本和GPU版本的安裝，并通過一個知識圖譜的例子引導讀者開始學習；第2~4章介紹TensorFlow API的使用；第5章是Dataset API，學習
?我們可以通過軟件和算法獲得真愛嗎？ ?為什么自動駕駛汽車會成為俄羅斯坦克謬論的犧牲品？ ?我們在購買產品時，有多少五星級好評是真實的，有多少是買來的？ ?我們應該相信計算誰應該獲得工作、貸款或社會福利的秘密算法嗎？ ?法官和警察如何越來越依賴非透明的“黑匣子”算法來預測刑事被告是否會再次犯罪或出庭？ ?如果社交媒體平臺的業務是向刊登廣告的品牌方出售我們的注意力和時間，那么社交媒體值得信賴嗎？ ?我們是否應該沉迷于滾動鼠標瀏覽消息，讓身體產生更多的多巴胺？ 在智能世界，算法和人工智能越來越多地
隨著互聯網、物聯網、云計算等技術的不斷發展，許多領域都產生了大量的數據。利用機器學習技術分析海量數據，可以從數據中發現隱含的、有價值的規律和模式，進而用于預測并采取相應動作。在上述背景下，本書從理論、技術和應用三個層面入手，全面講解如何利用機器學習技術解決實際問題。 本書共分26章，內容包括機器學習解決問題流程、問題分析與建模、數據探索與準備、特征工程、模型訓練與評價、模型部署與應用、回歸模型、支持向量機、決策樹、集成學習、K近鄰算法、貝葉斯方法、聚類算法、關聯規則學習、神經網絡基礎、正則
近年來，人工智能發展非常迅速，在可以預見的未來，它必然會強烈沖擊并深刻變革人類既有的生活模式。實際上，除技術問題外，人工智能的邏輯基礎和倫理基礎與哲學之間的關系也十分密切。有鑒于此，本書從與人工智能緊密相關的哲學問題入手，關注如下話題：強人工智能是否可能；近代唯理論和經驗論爭論對于人工智能的影響；蘇聯、日本及歐盟在人工智能發展歷程中的哲學教訓；航空器自動駕駛背后的哲學難題；軍用機器人的倫理是非；儒家與人工智能等。作者從邏輯架構和歷史經驗出發，展望了未來通用人工智能發展的可能性、可行性以及相應的社
深度學習已經進入我們的生活，云計算和大數據為深度學習提供了便利。本書主要講解深度學習中的數學知識、算法原理和實現方法，配套源碼、數據集和開發環境。本書共12章。第1章介紹人類視覺和深度學習的聯系。第2章介紹深度學習中最為重要的梯度下降算法。第3章介紹卷積函數。第4章介紹計算損失函數所使用的交叉熵、決策樹和信息熵。第5章介紹線性回歸和邏輯回歸。第6、7章介紹時間序列模型和生成對抗網絡。第8章介紹TensorFlow框架。第9章介紹推薦算法。第10章介紹深度學習中的標準化、正則化和初始化。第
本書利用精美的插圖和有趣的類比，對深度學習的主流技術和背后的原理進行了深入淺出的講解，解釋了什么是深度學習，深度學習流行的原因，以及深度學習與其他機器學習方法的關系。閱讀本書，讀者可以掌握卷積神經網絡、循環神經網絡、生成式對抗網絡和深度強化學習等熱門技術，學習TensorFlow、Keras和PyTorch等熱門工具的使用，同時能夠更深刻地理解計算機視覺、自然語言處理和游戲等領域的人工智能應用。本書還提供了簡單明了的示例和代碼，能夠幫助讀者動手實踐。 本書適合人工智能、機器學習、深度學習等領域的
近年來，演化計算作為計算智能中傳統的優化技術，已經廣泛應用于求解各種數據挖掘問題，形成了一種基于遺傳的機器學習新范式學習分類器。一方面，在真實場景中采集的原始數據不可避免地包含著冗余乃至噪聲屬性的信息，這些不相關的特征將對學習分類器算法的學習性能與計算效率造成負面影響。另一方面，學習分類
本書主要內容包括機器學習介紹，NumPy、Pandas、SciPy庫、Matplotlib（可視化）四個基礎模塊，Scikit-learn算法、模型、擬合、過擬合、欠擬合、模型性能度量指標、數據標準化、非線性轉換、離散化，以及特征抽取和降維的各種方法，包括特征哈希、文本特征抽取、特征聚合等。全書通過實用范例和圖解形式講解，選材典型，案例豐富，適合從事大數據、數據挖掘、機器學習等人工智能領域開發的各類人員。
新書資訊 新書推薦