奇異跳變系統(tǒng)是一類具有廣泛形式的動力系統(tǒng)，能有效地描述電力系統(tǒng)、電路系統(tǒng)、社會經(jīng)濟系統(tǒng)等實際系統(tǒng)。本書以時滯奇異跳變系統(tǒng)為研究對象，旨在提出有效的容許性分析與控制器設計方法。本書主要介紹時滯奇異跳變系統(tǒng)容許性分析與狀態(tài)反饋控制、時滯奇異跳變系統(tǒng)觀測器設計與異步反饋控制、時滯奇異跳變系統(tǒng)濾波器設計與故障檢測、時滯奇異跳變

XGBoost是一種經(jīng)過行業(yè)驗證的開源軟件庫，為快速高效地處理數(shù)十億數(shù)據(jù)點提供了梯度提升框架。首先，本書在介紹機器學習和XGBoost在scikit-learn中的應用后，逐步深入梯度提升背后的理論知識。讀者將學習決策樹，并分析在機器學習環(huán)境中的裝袋技術，同時學習拓展到XGBoost的超參數(shù)；并將從零開始構(gòu)建梯度提升模

本書通過對大眾電子足跡大數(shù)據(jù)的挖掘與分析，從公共事件、智能交通和行為經(jīng)濟學三個維度探究復雜社會系統(tǒng)所隱藏的內(nèi)生動力，并通過提出基本假設、建立理論模型探索這些規(guī)律的產(chǎn)生機制和可能的動力學影響。本書共6章：第1章系統(tǒng)梳理了“人類行為動力學”在社會科學的認知及其使用情況，比較了“內(nèi)生動力”與“外在推力”等知識體系對人類行為的

本書詳細介紹了強化學習的理論推導、算法細節(jié)。全書共12章，包括強化學習概述、馬爾可夫決策過程、退化的強化學習問題、環(huán)境已知的強化學習問題、基于價值的強化學習算法、基于策略的強化學習算法、AC型算法、基于模型的強化學習算法等相關知識。本書系統(tǒng)性強、概念清晰，內(nèi)容簡明通俗。除了側(cè)重于理論推導，本書還提供了許多便于讀者理解的

主要內(nèi)容●數(shù)據(jù)字典和數(shù)據(jù)治理●數(shù)據(jù)質(zhì)量管控、合規(guī)和分發(fā)●構(gòu)建自動化管道以提高可靠性●數(shù)據(jù)攝取、存儲和分發(fā)●支持生產(chǎn)環(huán)境中的數(shù)據(jù)建模、分析和機器學習

本書介紹了深度學習的基本理論、工程實踐及其在產(chǎn)業(yè)界的部署和應用。在深度學習框架的介紹中，書中結(jié)合代碼詳細講解了經(jīng)典的卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡和基于自注意力機制的Transformer網(wǎng)絡及其變體。還介紹了這些模型在圖像分類、目標檢測、語義分割、欺詐檢測和語音識別等領域的應用。此外，書中還涵蓋了深度強化學習和生成對抗網(wǎng)

主要內(nèi)容●用進化計算解決復雜的設計和分析問題●調(diào)整深度學習超參數(shù)●將Q-Learning應用于深度學習，從而進行深度強化學習●優(yōu)化無監(jiān)督自編碼器的損失函數(shù)和網(wǎng)絡架構(gòu)●創(chuàng)建一個能夠參與OpenAIGym游戲的進化智能體

《ChatGLM3大模型本地化部署、應用開發(fā)與微調(diào)》作為《PyTorch2.0深度學習從零開始學》的姊妹篇，專注于大模型的本地化部署、應用開發(fā)以及微調(diào)等�！禖hatGLM3大模型本地化部署、應用開發(fā)與微調(diào)》不僅系統(tǒng)地闡述了深度學習大模型的核心理論，更注重實踐應用，通過豐富的案例和場景，引導讀者從理論走向?qū)嵺`，真正領悟和

圖神經(jīng)網(wǎng)絡不僅能夠解決傳統(tǒng)機器學習方法無法解決的圖數(shù)據(jù)問題，而且能夠應用于許多實際場景，例如社交網(wǎng)絡、藥物發(fā)現(xiàn)、網(wǎng)絡安全、金融風控等�！秷D神經(jīng)網(wǎng)絡基礎、模型與應用實戰(zhàn)》旨在為初學者和實踐者提供一個詳細、全面的入門指南，圍繞圖神經(jīng)網(wǎng)絡基礎、模型、應用實戰(zhàn)（均采用Python+PyTorch實現(xiàn)）等方面進行介紹。《圖神經(jīng)網(wǎng)

這本書將把人工智能、大數(shù)據(jù)、云、機器人和智能設備作為背景。揭示了人工智能如何幫助企業(yè)實現(xiàn)商業(yè)價值指數(shù)級增長。本書涵蓋了我們?yōu)槭裁葱枰�人工智能，如何開始，以及成功實施所需的框架和重要元素的全部內(nèi)容。作者展示了其AI可視化版圖，概述了計劃和衡量一個成功的戰(zhàn)略(包括潛在的權衡)所需的構(gòu)建模塊，涉及了人工智能、機器學習或預測分