Transformer正在颠覆AI领域。市面上有这么平台和Transformer模型,哪些最符合你的需求? 将引领你进入Transformer的世界,将讲述不同模型和平台的优势,指出如何消除模型的缺点和问题。本书将引导你使用Hugging Face从头开始预训练一个RoBERTa模型,包括构建数据集、定义数据整理器以及训练模型等。 《基于GPT-3、ChatGPT、GPT-4等Transformer架构的自然语言处理》分步展示如何微调GPT-3等预训练模型。研究机器翻译、语音转文本、文本转语音、问答等NLP任务,并介绍解决NLP难题的技术,甚至帮助你应对假新闻焦虑(详见第13章)。 从书中可了解到,诸如OpenAI的高级平台将Transformer扩展到语言领域、计算机视觉领域,并允许使用DALL-E 2、ChatGPT和GPT-4生成代码。通过本书,你将了解到Transformer的工作原理以及如何实施Transformer来决NLP问题。 主要内容 ? 了解用于解决复杂语言问题的新技术
周志华老师的《机器学习》(俗称 西瓜书 )是机器学习领域的经典入门教材之一。本书是《机器学习公式详解》(俗称 南瓜书 )的第2 版。相较于第1 版,本书对 西瓜书 中除了公式以外的重、难点内容加以解析,以过来人视角给出学习建议,旨在对比较难理解的公式和重点内容扩充具体的例子说明,以及对跳步过大的公式补充具体的推导细节。 全书共16 章,与 西瓜书 章节、公式对应,每个公式的推导和解释都以本科数学基础的视角进行讲解,希望能够帮助读者快速掌握各个机器学习算法背后的数学原理。 本书思路清晰,视角独特,结构合理,可作为高等院校计算机及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考
本书基于学术写作的核心在于结构化的思维这一理念,全方位地介绍了如何应用 AI 辅助学术写作。AI 辅助学术写作的流程主要包括选题的确定、前言和文献综述的撰写、理论框架和研究方法的设计、研究框架与正文的组织、结论的构建、初稿的润色、标题摘要的撰写与投稿等方面。 本书力求为读者提供多样化的解决方案。这些解决方案依据不同的写作目标和策略制订,从而让读者可以根据具体需求选择。此外,本书还引导读者探索各种 AI 工具,应用好这些 AI工具有助于解决具体问题,如数据查询、参考文献管理、语言润饰等,极大地节省了学术写作的时间和精力。 无论是学生、教师、研究者,还是对学术写作有浓厚兴趣的读者,本书都能够帮助其更 好地理解人工智能在学术写作中的应用,在逻辑清晰、条理分明的框架内进行有效的学术写作,提高写作技巧,并
本书作为人工智能专业的入门书,带领读者初步学习和实践机器学习、深度学习的算法、流程和核心技术,并介绍了系统开发及开发环境,通过图解的方式将难懂的专业术语和算法表现出来,让没有相关专业基础的读者能够轻松入门。同时,本书还介绍了一些比较常用的网站网络服务,让读者能够学以致用。本书适合人工智能领域入门读者,也适合对人工智能感兴趣的其他领域读者学习。
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。
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
周志华老师的《机器学习》(俗称 西瓜书 )是机器学习领域的经典入门教材之一。本书(俗称 南瓜书 )基于Datawhale 成员自学 西瓜书 时记下的笔记编著而成,旨在对 西瓜书 中重难点公式加以解析,以及对部分公式补充具体的推导细节。 全书共16 章,与 西瓜书 章节、公式对应,每个公式的推导和解析都以本科数学基础的视角进行讲解,希望能够帮助读者达到 理工科数学基础扎实点的大二下学期学生 水平。每章都附有相关阅读材料,以便有兴趣的读者进一步钻研探索。 本书思路清晰,视角独特,结构合理,可作为高等院校计算机及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
《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。
《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
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
这是一本具有高中数学知识就能读懂的机器学习图书,书中通过大量程序实例,将复杂的公式重新拆解,详细、清晰地解读了机器学习中常用的数学知识,一步步带领读者进入机器学习的领域。本书共 22 章,主要讲解了数据可视化、math 模块、sympy 模块、numpy 模块、方程式、函数、*小平方法、集合、概率、贝叶斯定理、指数、对数、欧拉数、逻辑函数、三角函数、大型运算符、向量、矩阵与线性回归等数学知识。
这是一本具有高中数学知识就能读懂的机器学习图书,书中通过大量程序实例,将复杂的公式重新拆解,详细、清晰地解读了机器学习中常用的微积分知识,一步步带领读者进入机器学习的领域。
《Scikit-Learn机器学习核心技术与实践》循序渐进地讲解了使用 Scikit-Learn 开发机器学习程序的核心知识,并通过具体实例的实现过程演练了使用 Scikit-Learn 的方法和流程。全书共10章,包括人工智能与Scikit-Learn 简介,加载数据集,监督学习,无监督学习,模型选择和评估,数据集转换,实现大数据计算,英超联赛比分预测系统(Matplotlib Scikit-Learn Flask Pandas),AI考勤管理系统(face-recognition Matplotlib Django Scikit-Learn Dlib),实时电影推荐系统(Scikit-Learn Flask Pandas)。本书简洁而不失其技术深度,内容丰富全面,易于阅读。 《Scikit-Learn机器学习核心技术与实践》适用于已经了解Python语言基础语法的读者,以及想进一步学习机器学习和深度学习技术的读者,还可以作为大专院校相关专业的师生用书和培训学校的专业教材。
未来赢家是那些利用机器的力量获得优势的人。工作场所的主导是人还是机器? 在自动化这场游戏中,机器是助人完成任务,还是取代人类岗位? 我们将如何以共生方式与机器一起工作? 世界公司又是如何在这种非常特殊的关系中蓬勃发展的? 《共生:4.0时代的人机关系》使用不同的全球化组织的案例,探讨了机构、公司、个人和教育提供者将如何在发展变化过程中与新技术无缝集成,为智能自动化、人工智能和机器人技术驱动的未来描绘了图景。
《机器学习中的数学》是一本系统介绍机器学习中涉及的数学知识的入门图书,本书从机器学习中的数学入门开始,以展示数学的友好性为原则,讲述了机器学习中的一些常见的数学知识。机器学习作为人工智能的核心技术,对于数学基础薄弱的人来说,其台阶是陡峭的,本书力争在陡峭的台阶前搭建一个斜坡,为读者铺平机器学习的数学之路。 《机器学习中的数学》共19章,分为线性代数、高等数学和概率3个组成部分。第 1 部分包括向量、向量的点积与叉积、行列式、代数余子式、矩阵、矩阵和方程组、矩阵的秩、逆矩阵、高斯 诺尔当消元法、消元矩阵与置换矩阵、矩阵的LU分解、欧几里得距离、曼哈顿距离、切比雪夫距离、夹角余弦等;第2部分包括导数、微分、不定积分、定积分、弧长、偏导、多重积分、参数方程、极坐标系、柱坐标系、球坐标系、梯度、
"机器视觉是指利用相机、摄像机等作为传感器,并配合机器视觉算法,赋予智能设备具备人眼的功能,从而进行相关物件识别、检测、测量等操作的一种技术,现已广泛应用于多个领域。 本书在对机器视觉的定义、现状及组成单元等基础理论进行介绍的基础之上,从实用性角度,对Delta并联机器人机器视觉动态分拣等5个工业应用实例、铁路货车超限监测等5个交通应用实例、基于人脸识别的智能窗帘等3个其他领域应用实例进行了重点讲解,并对机器视觉技术和市场的未来发展进行了展望。 本书可供仪器科学与技术、机械电子工程、自动化等领域的科研人员和工程技术人员参考使用,也可作为高等院校测控技术与仪器、智能感知工程、机械电子工程、电子信息工程等相关专业的教学用书。 "
情感是人类特有的一种思维方式,如果机器具备了情感,是不是就可以取代人类? 在《情感机器(人类思维与人工智能的未来)(精)/机器人与人工智能书系》中,人工智能之父马文·明斯基有力地论证了:情感、直觉和情绪并不是与众不同的东西,而只是一种人类特有的思维方式。也同时揭示了为什么人类思维有时需要理性推理,而有时又会转向情感的奥秘。通过对人类思维方式建模,他为我们剖析了人类思维的本质,为大众提供了一幅创建能理解、会思考、具备人类意识、常识性思考能力,乃至自我观念的情感机器的路线图。
本书涵盖以下主题: 用泰坦尼克号数据集讲解分类。 清洗数据和处理缺失数据。 探索数据分析。 数据预处理的常用方法。 选择对模型有用的特征。 模型选择。 度量标准和分类评估。 多种回归分析技术。 评估回归结果的度量标准。 聚类算法。 降维技术。 scikit-learn流水线。
我们是否会被人工智能取代?我们要如何在人工智能时代下成为更好的设计师?这正是作者写这本书的目的。希望通过这本书,能为大家深入浅出地讲解现在的人工智能是什么,尤其是为没有开发经验的设计师讲解清楚人工智能的历史背景和现有技术;再结合一些人工智能和设计的案例,让大家清楚现在和未来我们能做什么、怎么做;*后通过对一些跨界设计师的采访,希望能给大家带来一些启发。