場景化機器學(xué)習(xí)

《人工智能簡史》全面講述人工智能的發(fā)展史，幾乎覆蓋人工智能學(xué)科的所有領(lǐng)域，包括人工智能的起源、自動定理證明、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、自然語言處理、遺傳算法、深度學(xué)習(xí)、強化學(xué)習(xí)、超級智能、哲學(xué)問題和未來趨勢等，以宏闊的視野和生動的語言，對人工智能進(jìn)行了全面回顧和深度點評。 第2版中每章都有新增內(nèi)容，并增加了全新的第13章，

本書的目標(biāo)是幫助讀者全面、系統(tǒng)地學(xué)習(xí)機器學(xué)習(xí)所必須的數(shù)學(xué)知識。全書由8章組成，力求精準(zhǔn)、小地覆蓋機器學(xué)數(shù)學(xué)知識。包括微積分，線性代數(shù)與矩陣論，**化方法，概率論，信息論，隨機過程，以及圖論。本書從機器學(xué)角度講授這些數(shù)學(xué)知識，對它們在該領(lǐng)域的應(yīng)用舉例說明，使讀者對某些抽象的數(shù)學(xué)知識和理論的實際應(yīng)用有直觀、具體的認(rèn)識

本書首先概述人工智能、深度學(xué)習(xí)相關(guān)的基本概念和發(fā)展歷程;然后詳細(xì)介紹深度學(xué)習(xí)的基本理論和算法,包括神經(jīng)網(wǎng)絡(luò)的關(guān)鍵技術(shù)、卷積神經(jīng)網(wǎng)絡(luò)的主要框架和應(yīng)用實例、循環(huán)神經(jīng)網(wǎng)絡(luò)和無監(jiān)督學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò)的模型和應(yīng)用、深層神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法、深度學(xué)習(xí)模型的輕量化方案以及移動端深度學(xué)習(xí)案例;之后闡述強化學(xué)習(xí)的基本理論和算法,包括傳統(tǒng)

在《定性表征——人們?nèi)绾瓮评砗蛯W(xué)習(xí)連續(xù)變化的世界》一書中，KennethD.Forbus提出，定性表征是認(rèn)知科學(xué)非常深奧的關(guān)鍵內(nèi)容之一——如何對我們周圍連續(xù)變化的現(xiàn)象進(jìn)行推理和學(xué)習(xí)。Forbus認(rèn)為，定性表征是人類認(rèn)知的核心，它將連續(xù)現(xiàn)象分解成有意義單元的符號化表征。定性表征為常識推理奠定了基礎(chǔ)，因為它們可以用非常少的

大部分TensorFlow教材應(yīng)用案例少，理論講解比較概括，學(xué)生數(shù)學(xué)基礎(chǔ)薄弱，對人工神經(jīng)網(wǎng)絡(luò)較難入門。本教材介紹TensorFlow的發(fā)展和特點后，通過案例詳細(xì)介紹TensorFlow的使用，著重細(xì)致地講解學(xué)生學(xué)習(xí)中遇到的難點，比如張量的形狀、卷積、池化、交叉熵等。通過案例讓學(xué)生逐層遞進(jìn)地掌握TensorFlow，最后

本書主要內(nèi)容包括機器學(xué)習(xí)介紹，NumPy、Pandas、SciPy庫、Matplotlib（可視化）四個基礎(chǔ)模塊，Scikit-learn算法、模型、擬合、過擬合、欠擬合、模型性能度量指標(biāo)、數(shù)據(jù)標(biāo)準(zhǔn)化、非線性轉(zhuǎn)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

《漫話人工智能：坂本真樹老師帶你輕松讀懂人工智能》將讀者群設(shè)定為普通大眾，旨在令不熟悉人工智能專業(yè)詞匯、沒有專業(yè)背景的普通讀者也能夠讀懂本書。書中所選取的都是人工智能基礎(chǔ)研究相關(guān)的代表性主題，也是讀者想要了解的問題，如人工智能是什么時候出現(xiàn)的，人工智能會超越人類嗎，什么易導(dǎo)入人工智能，什么不易導(dǎo)入人工智，怎樣從信息角度

本書是一本關(guān)于文化生物學(xué)的觀察，，既探索新技術(shù)所帶來的對世界不同尋常的解讀，也探索生命從有機物質(zhì)向文化表征的轉(zhuǎn)變遷移。本書主要講述了在當(dāng)下人工智能發(fā)展的時代，人類和人工智能的關(guān)系，我們正在成為一個由機器人、克隆人、轉(zhuǎn)基因動物和無數(shù)種人類/信息共生體居住的世界中的文化機構(gòu)。我們的身體現(xiàn)在是由機器、圖像和信息組成的。我們正

“深度學(xué)習(xí)”被評價為未來時代的重要技術(shù)，但它本身非常復(fù)雜，除了這方面的專家，一般大眾很難掌握。主要原因是我們很難以一種易于理解的方式來解釋“深度學(xué)習(xí)”的機制。首先，為了理解“深度學(xué)習(xí)”并，且必須先了解諸如“神經(jīng)網(wǎng)絡(luò)”之類的算法。其次，在描述諸如“深度學(xué)習(xí)”和“神經(jīng)網(wǎng)絡(luò)”之類的算法時，通常要使用數(shù)學(xué)公式，因此若沒有技術(shù)或