本书全面且深入地呈现了深度学习领域的知识体系,系统梳理了该领域的核心知识,阐述了深度学习的关键概念、基础理论及核心思想,剖析了当代深度学习架构与技术。全书共 20 章。本书首先介绍深度学习的发展历程、基本概念及其在诸多领域(如医疗诊断、图像合成等)产生的深远影响;继而深入探讨支撑深度学习的数学原理,包括概率、标准分布等;在网络模型方面,从单层网络逐步深入到多层网络、深度神经网络,详细讲解其结构、功能、优化方法及其在分类、回归等任务中的应用,同时涵盖卷积网络、Transformer 等前沿架构及其在计算机视觉、自然语言处理等领域的独特作用。本书还对正则化、采样、潜变量、生成对抗网络、自编码器、扩散模型等关键技术展开深入分析,阐释其原理、算法流程及实际应用场景。对于机器学习领域的新手,本书是全面且
本书全程图解式讲解,通过大量全彩插图拆解概念,让读者真正告别学习大模型的枯燥和复杂。 全书分为三部分,依次介绍语言模型的原理、应用及优化。第一部分 理解语言模型(第1~3章),解析语言模型的核心概念,包括词元、嵌入向量及Transformer架构,帮助读者建立基础认知。第二部分 使用预训练语言模型(第4~9章),介绍如何使用大模型进行文本分类、聚类、语义搜索、文本生成及多模态扩展,提升模型的应用能力。第三部分 训练和微调语言模型(第10~12章),探讨大模型的训练与微调方法,包括嵌入模型的构建、分类任务的优化及生成式模型的微调,以适应特定需求。 本书适合对大模型感兴趣的开发者、研究人员和行业从业者。读者无须深度学习基础,只要会用Python,就可以通过本书深入理解大模型的原理并上手大模型应用开发。书中示例还可以一
本书主要围绕AI系统的理论基础与技术基础知识展开,结合实例进行介绍,旨在让读者了解AI系统的来龙去脉,形成对AI系统的系统化与层次化的初步理解,掌握AI系统基本理论、技术、实际应用及研究方向,为后续从事具体的学习研究工作和项目开发工作奠定基础。 本书首先介绍AI的历史、现状与发展及AI系统的基本知识,后分为AI硬件与体系结构、AI编译与计算架构、AI推理系统与引擎、AI框架核心模块四篇进行详细介绍,涉及AI系统从底层原理到应用落地的全貌,反映了AI系统架构的前沿技术。
《强化学习(第2版)》作为强化学习思想的深度解剖之作,被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发,深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法,并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。《强化学习(第2版)》适合所有对强化学习感兴趣的读者阅读、收藏。
本书从多学科交叉的角度将神经生物学在视觉神经机制、神经元信号加工与编码方面的解剖学与电生理学发现和认知心理学关于知觉信息加工、工作记忆等方面的实验结论,与人工智能中关于图像理解与人工神经元网络模型结合起来,设计能够模拟视网膜、初级视皮层和高级视皮层部分图像信息加工功能,以及模拟神经编码微回路的数据结构和层次网络计算模型,并用计算机视觉或图像理解领域常用的测试数据集来验证这些网络计算模型的效能。这些深入考虑了神经生物学基本机制与约束的计算模型,一方面能够在工程方面为图像理解或信息保持提供不同于传统方法的新解决方案,另一方面也为神经科学研究提供了探索神经信号加工内在机理的仿真平台。这些以信息加工神经生理机制和认知心理机制为基本出发点的计算建模研究为人工智能关于表征、神经计算新模型、基于
本书不仅梳理了人工智能技术在科学各领域中的广泛应用,还深入分析了其对科学生产力的推动作用,以及在伦理、法律和社会层面可能引发的讨论和问题。书中汇集了国际专家的研究成果,为读者提供了一个全面了解人工智能在科学研究中应用的窗口,展现了人工智能技术如何推动科学的创新与进步,并对未来的研究方向提出了深刻的见解。
《人工智能对政府治理的挑战和应对》是一本*具特色的书籍,深入研究了现代政府治理与人工智能相互交织的前沿问题。《人工智能对政府治理的挑战和应对》将管理学、政治学、计算机科学及社会学等多个学科知识融合在一起,深刻剖析了政府治理在人工智能背景下的转型和创新。《人工智能对政府治理的挑战和应对》重点突出了政府治理理念、模式、结构和路径的变革,探讨了政府治理模式的演化规律,并提出了具有前瞻性的见解和建议。此外,《人工智能对政府治理的挑战和应对》还详细研究了大数据安全、社会伦理、政府监管等与人工智能相关的重要议题,为读者提供了深入了解和思考这些议题的机会。
学科的范式 (科学观与方法论 )是指导学科研究的最高引领力量。然而作者发现:作为信息学科高级篇章的人工智能却遵循着物质学科的范式,使人工智能的研究严重受限。因此,本书实施了人工智能的范式革命:总结了信息学科的范式,以此取代物质学科范式对人工智能研究的统领地位;在信息学科范式的引领下,构筑人工智能的全局模型,揭示普适性智能生成机制,开辟机制主义的人工智能研究路径,重构人工智能的基本概念;发掘信息转换与智能创生定律,创建机制主义通用人工智能理论。后者不但可以融通现行人工智能三大学派,而且可以与人类智能的生成机制实现完美的统一,形成统一智能理论。
本书以人工智能方法和生物组学数据分析为主线,阐述了人工智能中的群智能优化、机器学习、深度学习等算法的基本原理,并探讨了如何将这些算法应用于生物信息学相关问题的研究中,如蛋白质复合物挖掘、关键蛋白质识别、疾病基因预测、多种组学(转录组学、代谢组学、微生物组学)数据与疾病的关联关系预测、circRNA-RBP结合位点预测、RNA甲基化位点预测以及药物发现等。本书系统收集整理了生物组学相关数据库,另结合应用问题,从人工智能算法设计到具体流程计算,再到结果分析,均给出了详细步骤,以上均是本书的特色所在。
本书系统介绍了知识图谱的概念、发展历程、技术体系、前沿技术与应用实践。在基础知识方面,本书囊括了知识图谱从源数据到产生决策的全生命周期的各个环节,分析了数据图谱和知识图谱的核心区别,介绍了图谱构建和知识表示等相关关键技术。在前沿技术方面,全面介绍了知识图谱自动构建、知识图谱融合和智能推理等问题和挑战。在应用实践方面,结合营销智能国家新一代人工智能开放创新平台建设,介绍了知识图谱在信息检索、推荐系统、可视化、问答机器人等场景下的实际操作案例。
本书建立人工智能的信息的科学原理。全书有五部分。第Ⅰ部分,人工智能总论,提出信息世界的科学概念,以信息为支点建立科学体系的理论;第Ⅱ部分,信息基本定律,建立了信息世界的基本定义和基本定律;第Ⅲ部分,信息的数学原理,建立了以信息演算理论(离散系统的微积分)、信息解码原理和信息生成原理为三大支柱的信息科学体系的数学原理;第Ⅳ部分,智能的信息科学原理,建立了包括学习的信息理论、自我意识的信息理论、博弈/谋算理论为三大支柱的人工智能的信息科学原理,提出一个自我意识主体的智能就是该自我意识主体的信息的智能论题(intelligence thesis),提出人工智能的孙子模型;第Ⅴ部分,信息的哲学,提出信息时代科学双引擎的方法论和信息时代一些重大科学问题,简单介绍了《孙子兵法》的信息科学原理。
本书基于认知神经科学视角,在系统性梳理现有研究的基础上,从传统的电商网站到电商直播、虚拟现实、智能会话代理和机器人等新型平台,再到脑机接口这一人机交互的最高阶应用,对这些数智平台的用户行为及其背后的认知机制进行探讨,并对用户在这些平台上的信息安全和隐私决策行为进行了研究。本书遵循“平台特征?机体反应?用户行为”的路径对研究现状进行梳理并构建研究框架,厘清并解读用户在这些数智平台上的交互行为,并对未来将认知神经科学方法应用于信息系统和人机交互领域可能的研究空间和前景进行探讨。本书的特色在于其内容的前沿性、交叉性和体系性以及研究方法的创新性。
本书对所有主要的深度学习方法和最新研究趋势进行了深入探索。全书分为上下两卷,五个部分。上卷包括两个部分:第一部分是基础算法,包括机器学习基础算法、早期神经网络算法、深度学习的正则化方法和深度学习的优化方法;第二部分是判别式模型,包括卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆模型(LSTM)、注意力机制和记忆网络。下卷包括三个部分:第三部分是生成式模型,包括深度置信网络/深度玻尔兹曼机、自编码器(AE)/变分自编码器(VAE)、生成对抗网络(GAN)、像素级生成、深度聚类等;第四部分是前沿技术,讨论深度强化学习;第五部分是安全保障,包括深度学习的可解释性和对抗样本的攻击与防御。本书特别注重学术前沿,对包括胶囊网络在内的当前最新成果进行了细致的讨论。全书构建了一套明晰的深度学习体系,同时
本书是对《Xilinx Zynq-7000嵌入式系统设计与实现:基于Arm Cortex-A9双核处理器和Vivado的设计方法(第二版)》一书的一次重要修订,全书共包含30章,主要内容包括Xilinx Zynq系列SoC设计导论、AMBA规范、Zynq-7000系统公共资源和特性、Zynq-7000调试和测试子系统、Cortex-A9处理器指令集、Cortex-A9片上存储器系统结构和功能、Zynq-7000 SoC的Vivado基本设计流程、Zynq-7000 GPIO原理和控制、Cortex-A0异常与中断原理和实现、Cortex-A9定时器原理及实现、Cortex-A9 DMA控制器原理和实现、Cortex-A9安全性扩展、Cortex-A9 NEON原理和实现、Zynq-7000的可编程逻辑资源、Zynq-7000的互联结构、Zynq-7000 SoC内 简单AXI-Lite IP、Zynq-7000 SoC内 复杂AXI Lite IP、Zynq-7000 AXI HP数据传输原理和实现、Zynq-7000 ACP数据传输原理和实现、Zynq-7000软件与硬件协同调试原理和实现、Zynq-7000 SoC启动与配置原理和实现、Linux开发环境的构建、Zynq-
本书对所有主要的深度学习方法和**研究趋势进行了深入探索。全书分为上下两卷,五个部分。上卷包括两个部分:第一部分是基础算法,包括机器学习基础算法、早期神经网络算法、深度学习的正则化方法和深度学习的优化方法;第二部分是判别式模型,包括卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆模型(LSTM)、注意力机制和记忆网络。下卷包括三个部分:第三部分是生成式模型,包括深度置信网络/深度玻尔兹曼机、自编码器(AE)/变分自编码器(VAE)、生成对抗网络(GAN)、像素级生成、深度聚类等;第四部分是前沿技术,讨论深度强化学习;第五部分是安全保障,包括深度学习的可解释性和对抗样本的攻击与防御。本书特别注重学术前沿,对包括胶囊网络在内的当前**成果进行了细致的讨论。全书构建了一套明晰的深度学习体系,同时各章内
《人工智能原理——从计算到谋算的模型、原理与方法》是人工智能基本原理的纲领性科学总结。《人工智能原理——从计算到谋算的模型、原理与方法》由五部分构成。**部分分析现有的物理世界科学体系下的人工智能技术的根本缺陷;第二部分介绍基于数理逻辑与计算原理的人工智能原理与技术;第三部分介绍基于深度神经网络的机器学习的数学原理、计算原理;第四部分介绍人工智能的博弈理论和量子人工智能;第五部分介绍我国学者创立的人工智能的信息科学原理。提出人工智能的智能论题:一个自我意识主体的智能就是该自我意识主体的信息,即智能=信息。实现了基于科学原理的“有算有谋”的人工智能,奠定了人工智能科学的基础。
《人工智能在发展与应用中的理论和方法》讨论人工智能的理论和方法, 我们从它的基本原理出发, 由此构建它的理论和方法体系. 《人工智能在发展与应用中的理论和方法》由四部分组成, **部分概论和算法, 介绍并讨论了它们的类型、特征、运算和应用, 重点讨论它们的定位问题. 第二部分是学科, 这就是人工智能和其他学科的关系问题. 这些学科是生命科学、信息科学等六大学科. 第三部分是系统和应用, 其中典型的有图像、数据的处理问题、智能化、高级智能化的问题等. 我们把对高级智能的研究看作是人工智能的发展方向, 也是《人工智能在发展与应用中的理论和方法》的研究重点. 第四部分是附录, 对《人工智能在发展与应用中的理论和方法》常用的数学公式、符号、名称及所涉及的一些学科的基础知识作简单介绍和说明.
在大数据时代中需要突破“所有知识都来自数据关联”这一框架,亟需因果关系范式融合领域知识、常识约束的问题研究,本书就描述了这样一种体系,介绍了因果关系分析和推断的思想和方法,其中包括do-操作、反事实、
《自主车辆感知、建图与目标跟踪技术》介绍自主车辆感知、环境建图、运动跟踪、异常诊断等在理论和方法上取得的进展。共分8章:第1章概述智能车辆的定义、关键技术及其研究现状和产业化前景;第2章介绍交通标志和信号灯检测与识别的算法设计及检测技术;第3章讨论图像去雾算法及其在交通场景中的应用;第4章探讨激光雷达的动态建图及车辆的状态估计与参数测试;第5章研究多传感器系统的数据处理、路由策略和自定位及网络协同机制;第6章探究3种基于视觉的目标跟踪算法及其实验分析;第7章分析基于运动物体检测的雷达与相机标定及二维激光雷达和摄像机的标定技术;第8章阐述惯性导航组合定位技术和传感器异常检测与诊断技术。
多模态智慧网络是未来网络体系结构的发展方向,《多模态智慧网络资源调度机制研究》共分16章,*先概述多模态智慧网络资源调度机制,介绍网络架构、路由资源调度、负载资源调度、通信资源恢复、接纳控制资源调度、计算资源卸载调度,然后介绍任务资源可信卸载调度、任务迁移资源调度、数据流资源调度、异常检测资源调度、路径资源调度,*后介绍网络同步技术、跨域可信通信资源调度、故障检测技术、网络快速通信资源恢复。
机器学习(ML)和人工智能(AI)领域正在蓬勃发展,几乎每天都有新的研究、模型和技术出现。面对如此丰富的选择,数据科学家、机器学习工程师和软件开发人员很容易迷失在将AI/ML模型从实验阶段推向生产的众多步骤中。 这本实用书籍专注于生产环境机器学习,指导你将ML模型转化为可行的产品和应用。生产环境机器学习涵盖了ML的所有领域,不 于简单的模型训练。本书特别强调了ML流水线,帮助你为ML生产系统奠定基础。
ChatGPT和DALL-E这样的大语言模型(LLM)和扩散模型拥有 的潜力。通过使用互联网上的公共文本和图像进行训练,这些模型能够为各种任务提供帮助。而且,随着准入门槛的显著降低,几乎任何开发人员都可以利用AI模型来解决以前不适合自动化的问题。 借助本书,你将在生成式人工智能方面打下坚实的基础,学会如何在实践中应用这些模型。在将大语言模型和扩散模型集成到工作流中时,大多数开发人员很难获得可用于自动化系统的可靠结果。 作者James Phoenix和Mike Taylor展示了如何通过提示工程原则在生产过程中有效使用AI。