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

本书是微软推出的 AI for Beginners 系列课程的中文版，专门为希望进入 AI 领域的初学者设计。本书提供为期 12 周、共24 堂课的系统学习路径，每堂课配有 Jupyter Notebook 实践笔记本，附带测验与练习，中文版还在 Gitee 上托管了课程相关的 Notebook，便于读者在实践中掌握人工智能的核心概念和应用。 书中涵盖如下内容：AI 历史与发展，探索人工智能从符号到深度学习的演变；神经网络与深度学习，使用 TensorFlow 和 PyTorch 框架讲解神经网络的基本原理及应用；计算机视觉与自然语言处理，学习图像识别和文本分析技术；其他 AI 技术，如遗传算法和多智能体系统等。 本书适合 AI 爱好者、初学者，以及相关专业的学生、老师阅读，不需要复杂数学背景即可轻松入门，通过实战项目提升操作能力。

本书全面介绍贝叶斯推理与机器学习，涉及基本概念、理论推导和直观解释，涵盖各种实用的机器学习算法，包括朴素贝叶斯、高斯模型、马尔可夫模型、线性动态系统等。本书在介绍方法的同时，强调概率层面的理论支持，可帮助读者加强对机器学习本质的认识，尤其适合想要学习机器学习中的概率方法的读者。本书首先介绍概率论和图的基础概念，然后以图模型为切入点，用一种统一的框架讲解从基本推断到高阶算法的知识。本书不仅配有BRML工具箱，而且提供大量MATLAB代码实例，将概率模型与编程实践相结合，从而帮助读者更好地理解模型方法。

机器学习系统既复杂又独特。复杂是因为它们由许多不同的组件组成，并涉及许多不同的领域。之所以说独特，是因为它们依赖于数据，不同用例之间的数据差异很大。在本书中，您将学习一种整体的方法来设计可靠、可伸缩、可维护的ML系统，并能适应不断变化的环境和业务需求。 作者Chip Huyen是Claypot AI的联合创始人，她考虑了每个设计决策 比如如何处理和创建训练数据，使用哪些功能，多久再训练一次模型，以及监控什么 在它如何帮助整个系统实现其目标的背景下。本书中的迭代框架使用了大量参考文献支持的实际案例研究。

通过一系列的技术突破，深度学习推动了整个机器学习领域的发展。现在，即使是对这项技术几乎一无所知的程序员也可以使用简单、高效的工具来实现具备数据学习能力的程序。这本畅销书采用具体示例、小化理论和生产就绪的Python框架（Scikit-Learn、Keras和TensorFlow）来帮助你直观地理解构建智能系统的概念和工具。 在更新的第3版中，作者Aur lien G ron探究了一系列技术，从简单的线性回归开始，逐步推进到深度神经网络。书中的大量代码示例和练习有助于你学以致用。你需要具备一定的编程经验。

本书对所有重要的机器学习方法和新近研究趋势进行了深入探索，新版重写了关于神经网络和深度学习的章节，并扩展了关于贝叶斯学习的内容。书中首先讨论基础知识，包括均方、 小二乘和 似然方法，以及岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍较新的技术，包括稀疏建模方法、再生核希尔伯特空间和支持向量机中的学习、关注EM算法的贝叶斯推理及其变分近似推理、蒙特卡罗方法、关注贝叶斯网络的概率图模型、隐马尔可夫模型和粒子滤波。此外，书中还讨论了降维、隐变量建模、统计参数估计、维纳和卡尔曼滤波、凸优化等技术。本书适合该领域的科研人员和工程师阅读，也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。

在过去的几年，AI获得了令人惊讶的新语言能力。在深度学习快速发展的推动下，语言AI系统比以往任何时候都能更好地编写和理解文本。这一趋势正在催生新功能、新产品，甚至新的行业。通过本书的可视化教育方式，读者将学习到现在使用这些功能所需的实用工具和概念。 你将了解如何将预训练的大语言模型用于文案撰写和摘要生成等应用场景，创建超越关键字匹配的语义搜索系统，以及使用现有库和预训练的模型进行文本分类、搜索和聚类。

《人工智能算法在数值求解复杂系统中的应用》以较简明的方式介绍人工智能算法在数值求解复杂系统中的基本方法及*新进展。*先从人工智能与机器学习的基础算法开始讲解，包括*基础的反向传播神经网络模型和一些**的机器学习算法的基础及其原理。然后从一阶常微分方程初值问题引入，分别介绍常微分方程、偏微分方程以及积分微分方程数值求解的**算法。随后分别研究反向传播神经网络、极限学习机算法、*小二乘支持向量机算法以及深度学习算法如何用于数值求解复杂系统中的微分方程。相较于**的基于迭代算法的微分方程数值计算方法，这些基于人工智能与深度学习的计算方法可以更加高效且更加准确地得到复杂系统的数值解。

本书详实介绍了数据挖掘与机器学习相关的各种内容，包括数据矩阵、图数据、核方法、项集挖掘、聚类、贝叶斯分类器、决策树、支持向量机、线性回归、逻辑回归、神经网络、深度学习等，介绍其相关概念和基础算法，并在每章的末尾配有相关练习。第二版新增了几个关于回归的章节，包括神经网络和深度学习的内容。

本书面向智能信息处理研究的前沿领域，针对群体智能优化算法及其应用中的关键问题，系统地讨论了新型群体智能优化算法以及群体智能优化算法在三维模型处理和可信软件测试中的应用，比较全面地反映了国内外在三维模型智能处理和基于搜索的可信软件测试领域的**研究进展。本书主要内容包括经典群体智能优化算法、社会认知优化算法、自然社会认知优化算法、细菌群体趋药性算法、混沌细菌群体趋药算法、三维模型多特征提取、基于证据和区间数的智能三维模型融合匹配识别方法、基于群体智能的文物三维模型全局**匹配算法、基于群体智能的三维模型配准算法、基于粒子群算法的测试数据生成及优化、基于改进粒子群优化的测试用例扩增方法和基于蚁群算法的组合测试数据生成与优化。

本书结合“潜龙”系列深海自主水下机器人，深入浅出、图文并茂、系统全面地介绍了自主水下机器人的相关理论、技术、方法和应用，主要包括自主水下机器人的发展历史和现状、总体技术、结构、能源与推进、电气控制、导航、路径规划、运动控制、应急安全控制、布放回收、实际应用等方面的技术理论和工程实践。

《PyTorch计算机视觉实战：目标检测、图像处理与深度学习》 深度学习是近年来计算机视觉应用在多个方面取得进步的驱动力。本书以实践为驱动，结合具体应用场景，基于真实数据集全面系统地介绍如何使用PyTorch解决50多个计算机视觉问题。 首先，你将学习使用NumPy和PyTorch从头开始构建神经网络（NN），并了解调整神经网络超参数的最佳实践。然后，你将学习如何使用卷积神经网络（CNN）和迁移学习完成图像分类任务，并理解其中的工作原理。随后，你将学习二维和三维多目标检测、图像分割、人体姿态估计等多个实际任务，并使用R-CNN、Fast R-CNN、Faster R-CNN、SSD、YOLO、U-Net、Mask R-CNN、Detectron2等框架实现这些任务。在自编码器和GAN部分，本书将指导你学习面部表情替换、面部图像生成和面部表情处理技术。之后，你将学习如何将计算机视觉与NLP技术（如LSTM、transfor

本书首先较为系统全面地介绍了高斯过程回归、高斯过程分类的基本理论及实现方法，通过丰富的算例和公开的源程序代码，读者可很容易地理解高斯过程原理并将其应用于自己的研究领域；然后，通过丰富的工程应用实例，将高斯过程机器学习方法应用于土木水利工程中边坡变形非线性时间序列预测、地下工程岩体非线性行为预测与识别、水利工程复杂系统状态预测与识别、结构可靠性分析及结构优化设计等领域。

本书面向培养导航工程、机器人工程和人工智能复合型创新人才的需求，以移动机器人等无人系统为对象，系统讲述自主智能导航的概念内涵、技术框架和研究方法。全书内容主要包括机器人自主导航框架、环境语义感知、状态估计、同步定位与建图、视觉语义融合、导航规划与决策以及认知导航、多足机器人导航等方面的代表性技术和最新研究成果。本书力求反映智能导航技术的最新理论成果和应用案例，突出深度学习等AI技术在导航中的应用，并在各章节安排了相关工程实践教程。

《直拉硅单晶生长过程建模与控制》源于作者在直拉硅单晶生长过程建模与控制领域十余年的研究心得与成果积累。 在对硅单晶生长工艺及制备理论进行全面论述的基础上，系统地介绍直拉硅单晶生长的基本原理和工艺过程以及热场？磁场等关键部件的设计理论与方法，研究影响硅单晶品质关键变量的检测问题和工程实现方法，提出全自动晶体生长控制系统的基本理论和控制技术。 《直拉硅单晶生长过程建模与控制》共8 章，即绪论？硅单晶生长原理？直拉硅单晶生长设备？直拉硅单晶热系统建模与设计实现？磁场环境下直拉硅单晶生长原理与实现？晶体生长过程关键变量的检测与信息处理？晶体生长过程控制原理与方法？全自动单晶炉自动控制系统设计与实现。 《直拉硅单晶生长过程建模与控制》的主要内容和研究成果均从理论和应用两方面予以详尽阐述，并

本书作者Jeremy Howard和Sylvain Gugger是fastai的创建者，他们向你展示了如何使用fastai和PyTorch在各种任务上训练一个模型。你还将逐步深入了解深度学习理论，以便充分理解幕后的算法。 在计算机视觉、自然语言处理、表格型数据和协同过滤中训练模型 学习在实践中至关重要的*深度学习技术 通过了解深度学习模型的工作原理，提高准确性、速度和可靠性 了解如何将你的模型转化为Web应用 从头开始实现深度学习算法 考虑你的工作所带来的道德影响 从PyTorch联合创始人Soumith Chintala的前言中获得启示

《ChatGPT原理与实战：大型语言模型的算法、技术和私有化》 赞誉 前言 第1章 了解ChatGPT1 1.1 ChatGPT的由来1 1.1.1 什么是ChatGPT2 1.1.2 ChatGPT的发展历史2 1.2 ChatGPT的工作流程3 1.3 ChatGPT用例3 1.3.1 日常任务4 1.3.2 编写代码5 1.3.3 文本生成6 1.3.4 办公自动化9 1.4 本章小结10 第2章 ChatGPT原理解构11 2.1 背景知识11 2.1.1 自然语言处理的发展历程12 2.1.2 大型语言模型的发展历程14 2.2 ChatGPT同类产品18 2.2.1 BlenderBot 3.018 2.2.2 LaMDA20 2.2.3 Sparrow23 2.3 ChatGPT的工作原理25 2.3.1 预训练与提示学习阶段26 2.3.2 结果评价与奖励建模阶段28 2.3.3 强化学习与自我进化阶段28 2.4 算法细节29 2.4.1 标注数据29 2.4.2 建模思路30 2.4.3 存在的问题30 2.5 关于ChatGPT的思考31 2.6 本章小结32 第3章 预训练语言模型33 3.1 Transformer结构33 3.2 基于Encoder结构的模型