本书是深度学习领域的入门教材,系统地整理了深度学习的知识体系,并由浅入深地阐述了深度学习的原理、模型以及方法,使得读者能全面地掌握深度学习的相关知识,并提高以深度学习技术来解决实际问题的能力。 全书共15章,分为三个部分。 分为机器学习基础:章是绪论,介绍人工智能、机器学习、深度学习的概要,使读者全面了解相关知识;第2~3章介绍机器学习的基础知识。 第二部分是基础模型:第4~6章分别讲述三种主要的神经网络模型:前馈神经网络、卷积神经网络和循环神经网络;第7章介绍神经网络的优化与正则化方法;第8章介绍神经网络中的注意力机制和外部记忆;第9章简要介绍一些无监督学习方法;0章介绍一些模型独立的机器学习方法,包括集成学习、自训练、协同训练、多任务学习、迁移学习、终身学习、元学习等。 第三部分是进阶模型
290张图110个可执行的TensorFlow示例程序算法示例易懂的神经网络深度学习人工智能参考书源代码文件供下载本书适合神经网络、深度学习、TensorFlow的入门者阅读。
《“心迹”的计算:隐性知识的人工智能途径》在简要介绍人工智能的历史与现状、思维科学的基本思想与观念的基础上,强调知识工程、尤其是经验及其隐性知识在智能模拟中的独特作用和重要意义,以书法创作的形象思维模拟和进入应用的计算机辅助心电图分析这两种“心迹”的计算为实例,阐述思维过程模拟、经验知识挖掘、关键特征提取的思路、方法和技术,据此融合规则推理和统计学习算法并获得有效结果。最后,进一步拓展视野,描述科学技术与艺术的互相关联和影响,指出普遍缺失的辩证思维的重要性,简述计算的困境及其可能策略。主要创新点包括:重视隐性知识向显式知识的转化;强调统计学习与规则推理的融合;关注形态参数与数值特征的互补。
本书围绕SDK的开发展开,通过分析MCU内核与外设工作原理,结合API介绍各个外设的编程和应用。希望通过本书,使传统单片机工程师面向寄存器的开发思维得到一些转变,能够尝试运用成熟的软件框架来高效地完成应用开发。本书可供具有C语言知识和硬件基础的嵌入式系统工程师使用,同时也可以作为高等院校电子信息工程相关专业的教学参考书。
本书从机器学习、图像处理的基本概念入手,逐步阐述深度学习图像处理技术的基本原理以及简单的实现。继而以几个实战案例来介绍如何使用深度学习方法,在数据分析竞赛中取得较高的排名。很后,通过一个实战案例,介绍如何将模型放入iOS程序,制作相应的人工智能手机App。本书适用于对深度学习有兴趣、希望入门这一领域的理工科、研究生,以及希望了解该领域基本原理的软件开发人员。此外,本书所有案例均提供了云环境上的代码,便于读者复现结果,并进行深入学习。
人工智能作为一个崭新的交流对象正在逐渐进入人类的日常生活。伴随着人工智能的崛起,随之而来的是对传播模型的革新。人工智能的独特性所带来的对人际交流默认假设的冲击很有可能会引发对交流观点的颠覆。人—人工智能交流对时间维度的改变,对交流对象可控性的放大,以及对信息的无意识无批判等,这些都会如同大坝上打开的细微小孔,最终引来整个大坝的决堤,进而如河流改道一样,将人类的交流引上不同的道路。几千年来,人类传播的历史一直在提供语言失败的证据;通过语言,我们很难实现思想的无障碍交流。在这次人工智能革命中,我们能否跨越语言的局限,直达交流的#目标——有效的思想交换?本书将对这一问题展开全面深入的讨论。本书首先从媒体技术发展的角度探讨人工智能这个正在崛起的交流对象所代表的趋势。继而第二章从使用的
《机器学习中的不平衡分类方法》是作者在机器学习领域不平衡数据分类问题的系统性研究成果。作者密切跟踪外机器学习领域的新研究动态,对当前受到关注的典型不平衡分类学习方法进行了系统阐述;考虑到不平衡分类问题在实际应用问题中的普遍性以及求解的复杂性,从框架建模、学习策略、算法实现等方面给出一系列高性能、鲁棒性强的不平衡分类方法,丰富机器学习理论与方法体系,以期为人工智能相关领域的研究提供新的思路和方法。《机器学习中的不平衡分类方法》可供人工智能、自动化、计算机科学、电子信息等相关专业领域的研究生、教师、科研人员以及工程技术人员参考使用,也可供相关专业高年级本科生作为开拓视野、增长知识的阅读材料。
全书分为三个部分。和第2章感性介绍神经网络的基础知识,并给出一个利用PyTorch搭建神经网络解决实际问题的例子,使读者对神经网络和PyTorch有初步的了解;第3~9章介绍基于Python和PyTorch的科学计算和神经网络搭建,涵盖了几乎所有Python基础知识和PyTorch基础功能,并通过例子使读者完全掌握相关技术;0和1章介绍生成对抗网络和强化学习,使读者了解更多神经网络的常用用法。