本书是2023年不可错过的AIGC入门读物,是介绍大语言模型时代ChatGPT的重要资料,由人工智能独角兽企业硅基智能核心团队编纂而成,结合生动的比喻和有趣的案例,向所有关注未来科技的从业者、创业者、投资人、政府机构科普AIGC的源起、技术思想和商业落地场景。本书涵盖了ChatGPT、OpenAI、生成式AI、人工智能、聊天机器人、AI绘画、内容生成直播、内容生成短视频等内容。
《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写,是深度学习领域奠基性的经典教材。全书的内容包括3个部分:第 1部分介绍基本的数学工具和机器学习的概念,它们是深度学习的预备知识;第 2部分系统深入地讲解现今已成熟的深度学习方法和技术;第3部分讨论某些具有前瞻性的方向和想法,它们被公认为是深度学习未来的研究重点。 《深度学习》适合各类读者阅读,包括相关专业的大学生或研究生,以及不具有机器学习或统计背景、但是想要快速补充深度学习知识,以便在实际产品或平台中应用的软件工程师。
本书面向研究型开发与创新能力培养,重点讲解机器学习的基本原理和前沿思想。Python是开展机器学习编程实践的主流语言,本书为常用的机器学习模型提供了完整的Python实现代码。本书在“学堂在线”网站同
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*等深度学*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*和神经网络,并描绘*人工智能愿景。*部分讨论机器学*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*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。
本书从基础知识开始,介绍深度学习与图神经网络相关的一系列技术与实现方法,主要内容包括PyTorch的使用、神经网络的原理、神经网络的基础模型、图神经网络的基础模型。书中侧重讲述与深度学习基础相关的网络模型和算法思想,以及图神经网络的原理,且针对这些知识点给出在PyTorch框架上的实现代码。 本书适合想学习图神经网络的技术人员、人工智能从业人员阅读,也适合作为大专院校相关专业的师生用书和培训班的教材。
算法已在多大程度上影响我们的生活? 购物网站用算法来为你推荐商品,点评网站用算法来帮你选择餐馆,GPS系统用算法来帮你选择*路线,公司用算法来选择求职者 当机器最终学会如何学习时,将会发生什么? 不同于传统算法,现在悄然主导我们生活的是 能够学习的机器 ,它们通过学习我们琐碎的数据,来执行任务;它们甚至在我们还没提出要求,就能完成我们想做的事。 什么是终极算法?
本书基于备受读者推崇的王树森“深度强化学习”系列公开视频课,专门解决“入门深度强化学习难”的问题。 本书的独特之处在于:*,知识精简,剔除一切不*要的概念和公式,学起来轻松;*,内容新颖,聚焦近10年深度强化学习领域的突破,让你一上手*紧跟*。本书系统讲解深度强化学习的原理与实现,但不回避数学公式和各种模型,原创100多幅精美插图,并以全彩印刷展示。简洁清晰的语言 生动形象的图示,助你扫除任何可能的学习障碍!本书内容分为五部分:基础知识、价值学习、策略学习、多智能体强化学习、应用与展望,涉及DQN、A3C、TRPO、DDPG、AlphaGo等。 本书面向深度强化学习入门读者,助你构建完整的知识体系。学完本书,你能够轻松看懂深度强化学习的实现代码、读懂该领域的论文、听懂学术报告,具备进一步自学和深挖的能力。
随着汽车广泛用于人们的日常出行,能源短缺、环境污染、交通拥堵等问题日益严重,新一轮的科技革命从节能、环保、安全的角度出发,更新了诸多应用于汽车的新技术。本书对基于新能源的智能汽车新技术进行了研究,主要内容涵盖了电动汽车关键技术、混合动力电动汽车、新能源汽车智能化技术、未来智能汽车发展趋势等。本书结构合理,条理清晰,内容丰富新颖,是一本值得学习研究的著作,可供汽车行业技术人员参考使用。
本书的目标是帮助读者全面、系统地学习机器学习所必须的数学知识。全书由8章组成,力求精准、最小地覆盖机器学习的数学知识。包括微积分,线性代数与矩阵论,*化方法,概率论,信息论,随机过程,以及图论。本书从机器学习的角度讲授这些数学知识,对它们在该领域的应用举例说明,使读者对某些抽象的数学知识和理论的实际应用有直观、具体的认识。 本书内容紧凑,结构清晰,深入浅出,讲解详细。可用作计算机、人工智能、电子工程、自动化、数学等相关专业的教材与教学参考书。对人工智能领域的工程技术人员与产品研发人员,本书也有很强的参考价值。对于广大数学与应用的数学爱好者,本书亦为适合自学的读本。
本书的目标是帮助读者全面、系统地学习机器学习所必须的数学知识。全书由8章组成,力求精准、最小地覆盖机器学习的数学知识。包括微积分,线性代数与矩阵论,**化方法,概率论,信息论,随机过程,以及图论。本书从机器学习的角度讲授这些数学知识,对它们在该领域的应用举例说明,使读者对某些抽象的数学知识和理论的实际应用有直观、具体的认识。 本书内容紧凑,结构清晰,深入浅出,讲解详细。可用作计算机、人工智能、电子工程、自动化、数学等相关专业的教材与教学参考书。对人工智能领域的工程技术人员与产品研发人员,本书也有很强的参考价值。对于广大数学与应用的数学爱好者,本书亦为适合自学的读本。