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

在大多数维数很大的实际系统中，都有呈现奇异摄动特性的快变变量，如电力系统、冷轧机的工业控制系统、生物化学过程、核反应堆、飞机和火箭系统，以及化学扩散反应等。因此奇异系统的鲁棒控制研究也成了控制理论研究的热点之一。而且，由于大惯性环节、传输过程以及复杂的在线分析仪等不可避免地会导致滞后现象的产生，这些滞后特性往往会严重影响控制系统的稳定性以及系统的性能指标。所有这些现象在实际的控制系统中的存在，使得奇异系统的鲁棒控制问题的研究成为了必然。本书米用Lyapunov—Razumikhin、Lyapunov—Krasovskii稳定性理论以及凸优化等重要理论，基于Barbalat引理以及非奇异线性降阶变换，以线性矩阵不等式作为研究的工具，提出了奇异系统鲁棒稳定性、输入输出稳定性、鲁棒D-稳定的判据，研究了鲁棒控制器、滤波器、保成本控制器的设计

随着机器制造业的产业升级，大量以运动控制为核心的机器设备在各个行业的应用飞速发展，例如数控机床、胶印设备、绕线机、玻璃加工机械和包装机械等。这些设备的大量应用，使得设计、调试、维修和相关销售人员遇到了很多实际应用问题及其相关概念。本书主要是针对他们在运动控制方面遇到或将要遇到的问题的起因和解决办法给出了答案，包括机械结构的综合考虑和计算，电气设计，调试过程中的驱动器问题，伺服电机的特性及计算。本书深入浅出，结合实际案例，从简单的物理定律开始阐述了运动控制系统的发展，现代运动控制的体系，结构应用的一些概念和设计方法，对机器设计如何选择运动控制结构给出了参考。本书可作为机器制造设计人员,运动控制系统设计人员和相关专业销售人员培训教材，也可作为大专院校相关专业的大学生、研究生参考用

本书系统总结了作者近年来在高光谱遥感影像分类、机器学习、智能计算等方面的研究成果，在介绍高光谱遥感影像分类基础知识、机器学习、智能计算等常用方法的基础上，探讨影响分类准确率的因素，重点对多核集成学习及粒子群等方法在高光谱遥感影像分类中的应用进行了深入探讨。本书将作者研究过程与体会与大家分享，抛砖引玉，希望进一步促进遥感图像的分析与理解水平，这也是本书撰写的初衷。全书共分为8章。章主要介绍高光谱遥感的基本概念、高光谱遥感影像分类的基础和原理、分类研究现状、存在的问题与发展趋势。第2章主要介绍遥感影像分类中的机器学习方法，包括小距离分类法、大似然分类法、人工神经网络分类法、决策树分类法、K-均值算法及迭代自组织数据分析法。第3章主要介绍统计学习理论与支持向量机的原理、研究现状、存在问