本书适合任何想要深入了解深度学习这个迷人领域的人，您不需要具备高级数学和编程知识就可以掌握其根本原理。如果您想知道这些工具是如何工作的，并学会自己使用它们，答案尽在书中。而且，如果您已经准备好编写自己的程序，那么随附的Github存储库中还有大量补充的Python笔记本可以帮助您。 本书讲解语言通俗易懂，包含大量的的彩色插图和具有启发性的类比，以及丰富的现实世界的例子，深入地地解释了深度学习的关键概念，包括: 文本生成器如何创建新颖的故事和文章。 深度学习系统如何在人类游戏中学习游戏并获胜。 图像分类系统如何识别照片中的物体或人。 如何以对日常生活有用的方式思考概率。 如何使用构成现代人工智能核心的机器学习技术。 各种各样的智力冒险家都可以使用本书中涵盖的强大思想来构建智能系统，帮助我们更好地理

9787115630940 做好课题申报：AI辅助申请书写作 69.80 9787115632784 高效写论文：AI辅助学术论文写作 69.80 《做好课题申报：AI辅助申请书写作》 申报课题是高校教师和科研工作者十分重要的工作内容。 本书采用倒金字塔思路，对课题申请书进行了拆解，并系统介绍了如何利用 AI 辅助做好课题申报工作。本书第一章对课题申报进行了概述，分别介绍了各级别课题的申报公告和申请书及活页。第二章～第十二章分别介绍如何利用 AI 辅助开展课题申报的具体工作，主要有寻找选题、分析课题立项选题，以及课题论证相关部分的写作，包括研究背景写作、学术史梳理及研究动态写作、研究价值写作、阐释研究对象与框架思路写作、课题的重点难点写作、主要目标写作、研究计划及其可行性写作、其他部分写作。本书讲解全面、细致，并采用案例直观展示，方便读者学习。 《高

本书通过Python示例介绍人工智能技术在金融数据分析中的应用。你将了解如何运用神经网络、强化学习等深度学习技术预测金融市场。本书分为六大部分。部分介绍人工智能算法的核心概念，包括监督学习和神经网络，并描绘超级人工智能愿景。第二部分讨论机器学习技术在金融市场中的应用。第三部分更进一步，讨论如何利用神经网络和强化学习技术解决金融市场中的统计失效问题。第四部分详述如何利用算法交易解决统计失效问题。第五部分展望未来，探讨人工智能会如何改变金融业。第六部分给出以Python实现的神经网络，可用于时间序列预测。

我们在与环境交互的过程中进行学习，经历的奖励或惩罚将指导我们未来的行为。深度强化学习将该过程引入人工智能领域，通过分析结果来寻找有效的前进方式。DRL智能体可提升营销效果、预测股票涨跌，甚至击败**围棋高手和国际象棋大师。 《深度强化学习图解》呈现生动示例，指导你构建深度学习体系。Python代码包含详明、直观的注释，助你深刻理解DRL技术。你将学习算法的运行方式，并学会用评估性反馈来开发自己的DRL智能体。 本书主要内容包括: ●强化学习入门 ●行为与人类似的DRL智 能体 ●在复 杂情况下应用DRL

《深度学习之图像识别：核心算法与实战案例（全彩版）》全面介绍了深度学习在图像识别领域中的核心算法与应用。该书不但重视基础理论的讲解，而且从第4章开始，每章都提供了1～3个不同难度的案例供读者实践，读者可以在已有代码的基础上进行改进，从而加深对所学知识的理解。 《深度学习之图像识别：核心算法与实战案例（全彩版）》共9章：首先介绍深度学习的基础概念，包括神经网络基础知识和深度学习中的优化技术；然后系统介绍深度学习中与数据相关的知识，包括经典数据集的设计、数据集的增强，以及数据的获取、整理与可视化；接着重点针对图像识别领域，结合实战案例系统地介绍深度学习在图像分类、图像分割和目标检测3个领域的核心技术与应用；另外，还会对深度学习模型的可视化以及模型的压缩和优化进行详细介绍，为读者设计和训

深度学习框架中蕴藏着惊人的技术和有趣的机制，本书旨在揭开这些技术和机制的神秘面纱，帮助读者正确理解技术，体会它们的有趣之处。为此，本书会带领读者从零开始创建一个深度学习框架 DeZero。DeZero 是本书原创的框架，它用少的代码实现了现代深度学习框架的功能。本书分60 个步骤来完成这个框架，在此过程中，读者会加深对PyTorch、TensorFlow 和Chainer 等现代深度学习框架的理解，看清深度学习框架的本质。 本书沿袭《深度学习入门：基于Python 的理论与实现》的风格，语言通俗，代码简洁，讲解详细。在自制框架的过程中，读者还能进一步巩固Python 编程和软件开发相关的知识。 本书适合对深度学习框架感兴趣的读者阅读。

《统计学习要素：机器学习中的数据挖掘、推断与预测(第2版)》在一个通用的概念框架中描述通用于数据挖掘、机器学习和生物信息学等领域的重要思想和概念。这些统计学范畴下的概念是人工智能与机器学习的基础。全书共18 章，主题包括监督学习、回归的线性方法、分类的线性方法、基展开和正则化、核光滑方法、模型评估和选择、模型推断和平均、加性模型、树和相关方法、Boosting 和加性树、神经网络、支持向量机和柔性判断、原型方法和*近邻、非监督学习、随机森林、集成学习、无向图模型和高维问题等。 《统计学习要素：机器学习中的数据挖掘、推断与预测(第2版)》主题全面，是一本经典的统计学习教材，适合本科高年级学生和研究生使用和参考。

本书将理论融入贴近生活的案例之中，深入浅出，丰富有趣。例如，通过AI判定美味的红酒、自动识别邮政编码、从视频中检测特定场景、判断SNS上的垃圾邮件投稿、通过识别照片上的物体自动判断新闻报道类型、通过食物照片调查热量等等。

作为计算机科学的一个分支，人工智能主要研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统，涉及机器人、语音识别、图像识别、自然语言处理和专家系统等方向。 本书包括引言、基础知识、基于知识的系统、人工智能高级专题、人工智能的现在和未来以及安全与编程六部分内容。第一部分从人工智能的定义讲起，对人工智能的早期历史、思维和智能的内涵、图灵测试、启发式方法、新千年人工智能的发展进行了简要论述。第二部分详细讲述了人工智能中的盲目搜索、知情搜索、博弈中的搜索、人工智能中的逻辑、知识表示和产生式系统等基础知识。第三部分介绍并探究了人工智能领域的成功案例，如DENDRAL、MYCIN、EMYCIN 等经典的专家系统，振动故障诊断、自动牙科识别等新的专家系统，也介绍了机器学习、深度学习以及受到自然启发的

计算机视觉有多先进?开一开特斯拉就知道了。深度学习技术已在人脸识别、交互式仿真和医学成像方面取得令人兴奋的突破，但让人心潮澎湃的当属自动驾驶技术。如今，自动驾驶的汽车已经能在高速路上畅意驰骋并对各种复杂路况做出灵活反应了。 计算机如何 理解 它所 看到 的东西?本书试图将深度学习应用于计算机视觉以回答该问题。本书仅用高中代数知识阐明视觉直觉背后的概念。你将了解如何使用深度学习架构来构建视觉系统应用程序，以实现图像生成和人脸识别功能。 主要内容 ●图像分类和目标检测 ●先进的深度学习架构 ●迁移学习与生成对抗网络 ●DeepDream和神经风格迁移 ●视觉嵌入和图像搜索

《游戏中的人工智能（第3版）》详细阐述了与游戏人工智能相关的基本解决方案，主要包括游戏AI、移动、路径发现、决策、战略和战术AI、学习、程序化内容生成、棋盘游戏、执行管理、世界接口、工具和内容创建、游戏AI编程、游戏AI设计、基于AI的游戏类型等内容。此外，本书还提供了相应的示例，以帮助读者进一步理解相关方案的实现过程。 本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学读物和参考手册。

本书以通俗易懂的风格介绍了机器学习和深度学习技术，只涉及了基本的数学知识。本书由两位机器学习和深度学习领域的专家编写，书中的案例涵盖了银行、保险、电子商务、零售和医疗等多个行业。本书讲述如何在当今的智能设备和应用程序中使用机器学习和深度学习技术。本书提供了对书中涉及的数据集、代码和示例项目的下载。 l 机器学习和深度学习的概念 l 随机森林和提升方法 l Python编程与统计学基础 l 人工神经网络 l 回归与逻辑回归 l TensorFlow与Keras l 决策树 l 深度学习超参数 l 模型选择与交叉验证 l 卷积神经网络(CNN) l 聚类分析 l 循环神经网络(RNN)和长短期记忆网络(LSTM)

工程师需要知道的机器学习和人工智能提供的实例和图示来自Prosise的AI和ML课程,这]课程受到了全球各地许多公司和研究所的青睐和欢迎。作者不涉及让人滑悚然和望而生畏的数学公式,目的只有一个那就 是面向工程师和软件开发人员,帮助他们迅速入门并通过案例迅速运用人工智能和机器学习来解决业务问题。本书讲帮助读者学会什么是机器学习和深度学习以及两者各有哪些用途;理解常用的深度学习算法的原理及其应用;学会标记和未标记数据,监督学习和非监督学习有何差异;通过scikit-learn和神经网络Keras和TensorFlow ,运用Python来进行机器学习建模;训练和评分地柜模型与-进制和多类粉类器模型 ;构建面检测和面识别模型以及 对象检测模型。本书适合硬件工程师与软件开发人员阅读和参考

《概率图模型原理与应用：第2版》分为4部分：第Ⅰ部分给出PGM的总体介绍和动机，并回顾概率论和图论的必要背景知识；第Ⅱ部分描述不考虑决策或效用的模型：贝叶斯分类器、隐马尔可夫模型、马尔可夫随机场、贝叶斯网络、动态和时态贝叶斯网络；第Ⅲ部分首先简要介绍决策理论，然后描述支持决策的模型，包括决策树、影响图、马尔可夫决策过程和部分可观察马尔可夫决策过程；第Ⅳ部分对标准PGM进行了扩展，包括关系概率图模型和因果图模型(因果推理和因果发现)，还对深度学习及其与PGM的关系进行介绍。

当前AI图书市场，理论知识与实践经验的脱节，是很多书籍的缺点。《人工智能算法基础》立足于理论，从实例入手，将理论知识和实际应用结合，目标是让读者能够快速地熟悉人工智能中经典算法。全书分为4篇，共20章。其中第1篇为基础算法篇，主要讲述排序、查找、线性结构、树、队列、散列、图、堆栈等基本数据结构算法；第2篇为机器学习算法篇，主要讲述分类算法、回归算法、聚类算法、降维算法和集成算法；第3篇为强化学习算法篇，主要讲述基于价值的强化学习算法和基于策略的强化学习算法；第4 篇为深度学习算法篇，主要讲述神经网络模型算法、循环神经网络算法和卷积神经网络算法等内容。 《人工智能算法基础》适合从事数据科学与人工智能相关行业的读者阅读。

一本将 AI 绘画讲透的探秘指南，通过丰富的实践案例操作，通俗易懂地讲述 AI 绘画的生成步骤，生动展现了 AI 绘画的魔法魅力。从历史到未来，跨越百年时空；从理论到实践，讲述案例操作；从技术到哲学，穿越多个维度；从语言到绘画，落地实战演练。AI 绘画的诞生，引发了奇点降临，点亮了 AGI（通用人工智能），并涉及 Prompt、风格、技术细节、多模态交互、AIGC 等一系列详细讲解。让您轻松掌握生图技巧，创造出独特的艺术作品，书写属于自己的艺术时代。

用监督学习回归模型开发算法交易策略和衍生品定价模型。 用监督学习分类模型预测信货违约概率，检测欺诈行为。 用降维技术解决投资组合管理和收益率曲线构造问题。 为实现交易策略和管理投资组合，用降维和聚类技术寻找相似资产。 用强化学习模型和技术开发交易策略、衍生品对冲策略，管理投资组合。 用NLTK和scikit-learn等Python库解决金融领域自然语言处理问题。

本书以实际操作为导向，用ChatGPT Midjourney Stable Diffusion来充分释放读者的想象力，展现视觉创意的无限可能性。本书详细讲解了基于ChatGPT、Midjourney、Stable Diffusion进行AI绘画的完整学习路线，包括提示词的提问、绘画技巧、图片生成、提示词编写、参数描述、模型训练等，同时搭配了丰富的实际操作案例。整本书内容全面、详尽且深入浅出，实用性很强。

《Python机器学习项目实战》引领大家在构建实际项目的过程中，掌握关键的机器学习概念!使用机器学习，我们可完成客户行为分析、价格趋势预测、风险评估等任务。要想掌握机器学习，需要有优质的范例、清晰的讲解和大量的练习。本书完全满足这三点! 本书展示了现实、实用的机器学习场景，并全面、清晰地介绍了机器学习的关键概念。在学习本书的过程中，读者将会完成一些引人入胜的项目，比如使用线性回归预测汽车价格，部署客户流失预测服务等。读者将**算法，学习在无服务器系统上部署机器学习应用，以及使用Kubernetes和Kubeflow服务模型等重要技术。大家埋头苦学，亲自动手，享受掌握机器学习技能的乐趣! 主要内容 ●收集和清理训练模型的数据 ●使用流行的Python工具，包括NumPy、Scikit-Learn和TensorFlow ●将机器学习模型部署到生产环境中 阅读门槛 读者

《机器学习项目交付实战》将介绍如何从模型和数据中获取**性能，帮助你构建稳定的数据管道。通过高效的可复用技术集合，来确保应用程序工作流程的顺利执行，以及提高模型的可维护性。基于数十年的良好软件工程实践，机器学习工程可确保你的机器学习系统具有弹性、适应性和可执行性。 《机器学习项目交付实战》将介绍设计、构建和交付成功的机器学习项目的核心原则和上佳实践。你将了解很多软件工程技术，例如对原型进行实验和实施模块化设计，从而产生弹性架构和一致的跨团队沟通。基于作者丰富的经验，本书中的每一种方法都被成功地用于解决现实世界中的问题。 ● 根据预期和预算确定机器学习项目的范围 ● 为你的项目选择正确的技术路线 ● 使你的代码库更易于理解，提升可维护性和可测试性 ● 实现故障排除和日志系统的自动化

本书是作者多年在数据智能领域中利用机器学习实战经验的理解、归纳和总结。出于 回归事物本质，规律性、系统性地思考问题 理论为实践服务并且反过来充实理论，为更多人服务 的想法和初心，本书系统地阐述了机器学习理论和工程方法论，并结合实际商业场景落地。 全书分为3部分。第1部分是机器学习的数学理论理解，这部分不是对于机器学习数学理论的严谨推导和证明，更多是对于理论背后的 到底是什么，为什么要这样做 的通俗理解。尽可能通过对应到日常生活中的现象来进行讲述。第2部分是机器学习模型、方法及本质，这一部分针对机器学习的方法论及具体的处理过程进行阐述。涉及数据准备、异常值的检测和处理、特征的处理、典型模型的介绍、代价函数、激活函数及模型性能评价等，是本书的核心内容。我们学习知识的主要目的是解决问题，特

本书将带领读者一起主动拥抱机器学习，快乐翻越高等数学、算法分析、工程实践这 三座大山 。面对三类读者（会用即可、想深入学习、想成为专家）的学习动机和阅读需求，全书一共用19章来讲解机器学习的各种模型，包括机器学习中基础和关键的线性回归、逻辑回归、决策树、贝叶斯、支持向量机、KNN等。全书具有语言表达轻快、模型讲解细致、图表配备众多的特色。 本书可供计算机、人工智能、大数据等专业的大学生、研究生阅读，也可供需要用到机器学习技术的广大工程技术人员、研究人员作为参考。

内容简介 这是一本深入阐述ChatGPT等大模型的工作原理、运行机制、架构设计和底层技术，以及预训练、迁移、微调和中间件编程的著作。它将帮助我们从理论角度全面理解大模型，从实践角度更好地应用大模型，是作者成功训练并部署大模型的过程复盘和经验总结。 第1章介绍了ChatGPT等大模型的发展历程、技术演化和技术栈等基础知识； 第2~5章深入讲解了Transformer的架构原理，并从GPT-1的生成式预训练到GPT-3的稀疏注意力机制详细描述了GPT系列的架构演进； 6~8章从底层技术实现的角度讲解了大语言模型的训练策略、数据处理方法，以及如何利用策略优化和人类反馈来进一步提升模型的表现； 第9~10章首先详细讲解了大语言模型在垂直领域的低算力迁移方法，并给出了医疗和司法领域的迁移案例，然后讲解了大模型的中间件编程； 第11章对GPT的未来发展趋势进行预

本书共分为 8 章，主要内容包括与人工智能相关的数学知识，Python 语言所特有的语法和技巧，Docker 模型透明无缝地发布的实现，业界优秀的 Git 代码版本管理工具，模型开发环境的配置，高级人工智能开发工程师常用的 IDE 开发工具，经典神经网络模型的剖析和分解，RPC 远程调用的实现，训练样本的序化组织结构TFRecord，模型的训练、保存和封装发布，模型训练的 GPU 配置和机制策略的部署，模型从训练到发布的完整示例等。