9787115600820 动手学深度学习（PyTorch版） 109.80 9787115584519 动手学强化学习 89.90 9787115618207 动手学机器学习 89.80 《动手学深度学习（PyTorch版）》 本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。 本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络 多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用

深度学习绝非不可窥探的黑箱!深入理解其模型和算法的实际运作机制，是驾驭并优化结果的关键。你无需成为数学专家或资深数据科学家,同样能够掌握深度学习系统内部的工作原理。本书旨在通过深入浅出的方式，为你揭示这些原理，让你在理解和解释自己的工作时更加自信与从容。 《深度学习精粹与PyTorch实践》以浅显易懂的方式揭示了深度学习算法的内部运作机制，即使是机器学习初学者也能轻松理解。本书通过平实的语言解析、详尽的代码注释,以及数十个基于PyTorch框架的实战示例，逐步引导你探索深度学习的核心概念与实用工具。本书避免了复杂的数学公式堆砌，而是采用直观易懂的方式阐述每种神经网络类型的运作逻辑。更令人兴奋的是，书中提供的所有解决方案均可在现有的GPU硬件上顺畅运行! 主要内容 ● 选择正确的深度学习组件 ● 训练和评估

动手学图机器学习 识别关系是机器学习的基础。通过识别和分析数据中的关系，以图为核心的算法(如K-邻近或PageRank)显著提高了机器学习应用的效率。基于图的机器学习技术以全新方式为社交网络、欺诈检测、自然语言处理和推荐系统等领域的机器学习提供了强有力的支持。 《动手学图机器学习》是行业类的权威书籍，旨在倾授如何利用面向图的机器学习算法和工具，充分挖掘结构化和非结构化数据集中的自然关系，读者可以从中吸收图架构和图设计实践的精髓，并学会从容避开常见的陷阱。作者Alessandro Negro通过真实的应用示例，将GraphML(一种图建模语言)概念与实际任务完美联系起来，使读者能够更好地理解图技术在机器学习中的价值，并熟练应用该技术。 ● 大数据平台中的图 ● 推荐、自然语言处理、欺诈检测 ● 图算法 ● 与Neo4j图数据库协作

本书章综述了各种动态系统的故障诊断技术的发展现状及未来发展趋势。第2章～第6章主要介绍了主元分析模型以及基于该模型的各种故障检测、分离和辨识等方法。这一部分还讨论了主元分析模型的各种改进问题，如主元个数的选取问题、基于动态时间规整的改进、基于非正常子域的应用等。第7章～1章主要介绍了偏二乘模型，以及基于该模型的故障检测、重构和诊断算法。这一部分包含了作者的研究成果，即对偏二乘模型结构的几何解释以及针对输出相关故障的模型改进。这些研究成果也揭示了主元分析和偏二乘在过程监控上的根本区别和内在联系。2章、3章主要讨论了该领域的研究方向连续多变量过程的故障预测问题，书中分别基于主元分析模型和偏二乘模型对该问题进行了研究。本书可作为自动控制专业研究生的教学参考书，同时对从事自动化系统研究、设

在当前的机器设计中，我们面临着提高效率，节能降耗，可靠稳定和降低成本的挑战。如何正确地选择驱动器和伺服电机成为设计机器是否能够达到工艺要求，同时满足能量匹配的重要因素。本书从机械、运动理论入手，分析了组成机器的各种常用部件的传动特性，力和力矩，惯量计算方法。阐述了满足机器性能后的电机稳定工作规则及配置规则，并以案例方式示教了采用手工计算选型和软件选型的方法。本书对机器及机械结构设计的工程师有很好的参考作用，对从事运动控制产品应用和销售的工程师也有很好的指导作用，也可作为机电一体化专业或研究生的教学参考书。