本書基于TensorFlow.NET框架，詳細介紹了.NET平臺下深度學習的基礎(chǔ)原理和應用技術(shù)，不僅闡述了算法原理，還演示了實踐代碼和運行效果，其中完整示例主要采用的語言為C#和F#。全書分為3個部分：第一部分介紹了核心API的用法和基礎(chǔ)示例，包括數(shù)據(jù)類型、張量、EagerMode、自動求導、線性回歸、邏輯回歸、tf.

本書主要針對控制理論的一些重要分支，分析了當前存在的瓶頸問題，展望了其發(fā)展趨勢和面臨的一系列挑戰(zhàn)。全書共分為17章，分別為：優(yōu)化控制研究的概述與關(guān)鍵問題分析、邏輯控制系統(tǒng)中的未解問題、系統(tǒng)與控制中優(yōu)化理論與應用的挑戰(zhàn)與瓶頸、分布參數(shù)系統(tǒng)控制、數(shù)據(jù)驅(qū)動控制系統(tǒng)、自抗擾控制中的若干未解問題、非線性控制的幾個瓶頸問題、時間與

全書可分為五大部分，闡述了分布式人工智能的基礎(chǔ)知識以及相關(guān)進展，包括分布式人工智能簡介、分布式規(guī)劃與優(yōu)化、多智能體博弈、多智能體學習和分布式人工智能應用。除此之外，由于本領(lǐng)域尚處于蓬勃發(fā)展階段，相關(guān)技術(shù)與應用層出不窮，因此書中還提供了研究者對于分布式人工智能發(fā)展的相關(guān)預測，主要集中在：第一，更復雜和更大規(guī)模的分布式人工

本書是為順應智能時代教育信息化發(fā)展和滿足教師專業(yè)發(fā)展的現(xiàn)實需求編寫的，并以“理論與技術(shù)相結(jié)合，實用性導向”為宗旨，全面介紹教育人工智能研究及發(fā)展應用的基本原理和方法，學完本書后，讀者將對教育人工智能有全面的了解，并能掌握其整體知識框架。本書共分十六章，主要內(nèi)容包括緒論、教育人工智能理論基礎(chǔ)、教育人工智能應用實踐、教育人

人工智能時代已經(jīng)來臨，這項技術(shù)正在改變?nèi)祟惖恼J知和行為習慣，也對很多領(lǐng)域和行業(yè)造成了影響。本書共3篇，認知篇介紹了人工智能的理論知識與發(fā)展現(xiàn)狀，詳細講述人工智能與5G、物聯(lián)網(wǎng)、區(qū)塊鏈等技術(shù)的融合；價值篇主要講述了人工智能的價值，分析其為生活、社會、商業(yè)、醫(yī)療帶來的變革；場景篇從服務(wù)場景、工作場景、教育場景、營銷場景入手

本書共分10個項目，詳細介紹了人工智能導論的相關(guān)知識，內(nèi)容包括人工智能的前世今生、從零開始認識人工智能、人工智能編程基礎(chǔ)開發(fā)語言——Phython、物體識別、計算機視覺的應用——人臉識別、生物信息識別、自然語言處理、語音識別、無人駕駛和數(shù)據(jù)挖掘。 本書適用于高職高專院校理工科學生，作為通識課教材使用。

本書是“高級人工智能人才培養(yǎng)叢書”中的一本，首先介紹了機器學習的相關(guān)概念和發(fā)展歷史，并在此基礎(chǔ)上提出了深度學習——它本質(zhì)上是近幾年來大數(shù)據(jù)技術(shù)催生的產(chǎn)物。本書共12章，其中，第1～7章為機器學習的內(nèi)容，分別介紹了機器學習的簡單模型、貝葉斯學習、決策樹、支持向量機、集成學習和聚類；第8～12章為深度學習的內(nèi)容，由感知機與

本書主要介紹了智能計算技術(shù)相關(guān)的理論方法與關(guān)鍵技術(shù)，并對典型的應用領(lǐng)域與平臺也進行了相關(guān)介紹和討論。全書共10章，簡要介紹智能的起源、智能與計算等研究背景及意義，詳細介紹了機器學習、深度學習等模型與算法及其應用，著重介紹了圖神經(jīng)網(wǎng)絡(luò)模型、網(wǎng)學習模型、神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索和大數(shù)據(jù)資源服務(wù)等技術(shù)，并面向智能交通和網(wǎng)絡(luò)交易支付等

本書主要講述了神經(jīng)網(wǎng)絡(luò)的重要概念和技術(shù)，并展示了如何使用Python來解決日常生活中常見的神經(jīng)網(wǎng)絡(luò)問題。本書包含了6個神經(jīng)網(wǎng)絡(luò)相關(guān)的項目，分別是糖尿病預測、出租車費用預測、圖像分類、圖像降噪、情感分析和人臉識別，這6個項目均是從頭開始實現(xiàn)，且使用了不同的神經(jīng)網(wǎng)絡(luò)。在每個項目中，本書首先會提出問題，然后介紹解決該問題需要

本書主要介紹統(tǒng)計機器學習領(lǐng)域常用的基礎(chǔ)模型、算法和代碼實現(xiàn)。包括統(tǒng)計機器學習、Python語言基礎(chǔ)，常用的線性回歸、貝葉斯分類器、邏輯回歸、SVM、核方法、集成學習，以及深度學習中的多層感知器、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、變分自編碼器、對抗生成網(wǎng)絡(luò)和強化學習等模型與優(yōu)化方法，使用Scikit-Learn、TensorF