《深度学习》内容介绍:《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。 《动手学深度学习》内容简介:本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理,还演示它们的实现和运行。与传统图书不同,本书的每一节都是一个可以
深度学习框架中蕴藏着惊人的技术和有趣的机制,本书旨在揭开这些技术和机制的神秘面纱,帮助读者正确理解技术,体会它们的有趣之处。为此,本书会带领读者从零开始创建一个深度学习框架 DeZero。DeZero 是本书原创的框架,它用少的代码实现了现代深度学习框架的功能。本书分60 个步骤来完成这个框架,在此过程中,读者会加深对PyTorch、TensorFlow 和Chainer 等现代深度学习框架的理解,看清深度学习框架的本质。 本书沿袭《深度学习入门:基于Python 的理论与实现》的风格,语言通俗,代码简洁,讲解详细。在自制框架的过程中,读者还能进一步巩固Python 编程和软件开发相关的知识。 本书适合对深度学习框架感兴趣的读者阅读。
本书全面阐述了现代因果关系分析,展示了因果关系如何从一个模糊的概念发展成为一套数学理论,并广泛用于统计学、人工智能、经济学、哲学、认知科学、卫生科学和社会学等领域。本书提出了一个全面的因果关系理论,它统一了因果关系的概率、操作、反事实和结构方法,并提供了简单的数学工具来研究因果关系和统计关联之间的关系。本书通过融合领域知识、常识约束、文化传承的概念等来补充数据信息,为基于统计的机器学习中遇到的基本问题提供了科学的解决方案。
本书是《工程控制论》(第三版)的下册。这一册共九章。第十三章讨论摄动理论在控制系统设计中的应用,其中特别说明在飞行控制系统中的应用。第十四、十五两章介绍控制系统在随机干扰下的分析和设计。第十六、十八章讨论了适应性控制系统的设计。第十九章介绍了提高控制系统可靠性的各种方法。第十七、二十、二十一这三章分别是:逻辑控制和有限自动机(第十七章),信号与信息(第二十章),大系统(第二十一章)。这些方面已构成工程控制论这门学科的重要研究方向。书末还附有 有关中文著作目录选辑 ,可供读者查阅。
传统材料研发模式主要基于实验“试错法”,其研发周期长、效率低,人工智能驱动的科研范式变革和新材料数字化研发模式能有效地降低研发成本,缩短研发周期。本书基于计算、数据、AI和实验“四位一体”的新材料集成式智能化研发理念,提出了基于材料基因编码的新材料智能设计范式,从企业级新材料研发和面向科研的材料计算视角,重点围绕高通量材料集成计算、多尺度材料计算模拟、材料数据库、材料数据机器学习、新材料研发制造软件等介绍了新材料数字化智能化研发和设计基本概念、方法、技术和应用。本书同时也介绍了国产的高通量多尺度集成式材料智能化设计工业软件MatCloud+,并通过一些精选案例介绍了材料计算、数据和新一代人工智能等数字化研发方法技术在新能源、金属/合金、石油化工、复合材料、新型功能材料等重点材料行业或领域的
本书涵盖了从工业机器人入门到安川工业机器人产品应用全面的知识与技术。全书从机器人的产生、发展和分类,工业机器人的组成特点、技术性能和产品等基础知识出发,对工业机器人本体及谐波减速器、RV减速器等核心部件的结构原理、机械设计、安装维护等进行了全面阐述;对坐标系与姿态定义方法、程序结构及安川工业机器人的全部命令、变量编程进行了详尽说明;对手动与示教操作、程序与作业文件编辑及调试、再现运行、系统设置与维修操作进行了完整介绍。 本书面向工程应用,技术先进、知识实用、选材典型,内容全面、由浅入深、循序渐进,是工业机器人设计、使用、维修人员和高等学校师生的参考书。
本书是《LabVIEW虚拟仪器项目开发与管理》的升级版,共22章,包括基础知识、虚拟仪器项目开 发方法以及项目管理和实践。第1~6章为基础知识,主要讲解LabVIEW程序前面板设计、数据结构、程 序框图、函数和错误处理等内容;第7~19章主要讲解虚拟仪器项目开发方法,包括用于实际项目开发的 单循环和多循环程序框架、程序用户界面扩展、数据类型扩展、代码和程序结构扩展、数据存储、数据库 和面向对象开发技术、网络通信、信号与传感器、数据采集和滤波等数字信号处理相关的内容;第20~22 章主要讲解项目管理和实践,包括项目管理理论和一些对实际项目开发的经验总结,同时提供几个实际 的工程案例作为参考。本书力求面向实际工程项目开发,并配有实际工程实例源码和相关参考资料。 本书可作为LabVIEW虚拟仪器项目开发和管理人员的技术参考书,也可作为
人工智能 (AI) 时代已悄然而至,然而对 AI 伦理学的研究却刚刚起步。与以往的技术革命不同,AI 有望在多个领域取代人类,但也有伤害人类的潜在风险。为防止对AI技术的滥用,我们在复杂性变得不可控之前,必须把糟糕的情况都预想到、分析到。 《人工智能伦理》从人工智能的关键内容(包括图灵测试、数据、知识、机器学习、自我意识等)出发,尽可能地用朴素的语言讲清楚复杂的概念,揭示出各种AI伦理问题以唤起读者的思考。本书基于大量真实数据,阐述了和平、合理发展 AI 技术的伦理思想,对 AI 技术可能引发的某些社会问题(如技术失业、两性平等)也做了剖析。
本书从模型的结构和数据基础两个方面解构大语言模型,以便帮助读者理解和搭建类似ChatGPT的系统。在模型的结构方面,大语言模型属于深度神经网络,其设计核心是注意力机制,因此,本书涵盖了多层感知器、卷积神经网络和循环神经网络等经典模型。在模型的数据基础方面,本书既涉及模型训练的工程基础,如反向传播,又涉及数据的使用方式,如迁移学习、强化学习,以及传统的监督学习和无监督学习。此外,本书还阐述了如何从计量经济学和经典机器学习模型中汲取灵感,以提高模型的稳定性和可解释性。 本书既适用于希望深入了解大语言模型、通过人工智能技术解决实际问题的读者,也适合作为高等院校计算机及相关专业的师生参考用书。
小型智能机器人制作全攻略 是小型智能机器人制作的资料宝典,通过实例讲解,告诉你制作机器人需要掌握的综合知识,内容翔实,通俗易懂。初学者可以边玩边学,了解小型智能机器人设计、制作和使用的技巧。有一定制作经验的爱好者也可以从本书中 淘 到不少好点子。本书已经是第5版了,在前4版的基础上做了大量更新了,增加了新的电机、传感器和模块的项目应用实例。这本书意在启发你使用不同的组件来构建机器人,你可以按自己喜欢的方式把书里介绍的模块化的项目加以组合,创建出各种形状和尺寸、高度智能化的机器人。
本书以人工智能方法和生物组学数据分析为主线,阐述了人工智能中的群智能优化、机器学习、深度学习等算法的基本原理,并探讨了如何将这些算法应用于生物信息学相关问题的研究中,如蛋白质复合物挖掘、关键蛋白质识别、疾病基因预测、多种组学(转录组学、代谢组学、微生物组学)数据与疾病的关联关系预测、circRNA-RBP结合位点预测、RNA甲基化位点预测以及药物发现等。本书系统收集整理了生物组学相关数据库,另结合应用问题,从人工智能算法设计到具体流程计算,再到结果分析,均给出了详细步骤,以上均是本书的特色所在。
《强化学习(第2版)》作为强化学习思想的深度解剖之作,被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发,深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法,并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。《强化学习(第2版)》适合所有对强化学习感兴趣的读者阅读、收藏。
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。
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。
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。
知识图谱作为认知智能的核心技术正蓬勃发展。本书系统全面地介绍了知识图谱的核心技术,既有宏观整体的技术体系,也有关键技术和算法细节,内容包括:知识图谱模式设计的方法论 六韬法;知识图谱构建中的实体抽取和关系抽取;知识存储中的属性图模型及图数据库,重点介绍了JanusGraph分布式图数据库;知识计算中的图论基础,以及中心性、社区检测等经典图计算算法;知识推理中的逻辑推理、几何变换推理和深度学习推理,及其编程实例。后,本书以金融、医疗和智能制造三大行业的应用场景为例,梳理了知识图谱的应用价值和应用程序形态。 本书既适合人工智能行业从业者和研究人员系统学习知识图谱,也适合一线工程师和技术人员参考使用,并可作为企业管理人员、政府人员、政策制定人员、公共政策学者的参考材料,以及高等院校计算机、金融
本书分十大章节和三章附录章节,以现代体系结构特征为目标,从理论、方法及应用等不同角度,详细描述了各种提升程序并行性、数据局部性及适配目标架构特征的高级编译优化技术。本书还结合深度学习应用场景展开讨论,介绍了如何在深度学习框架中使用高级编译优化技术。
本书从人工智能、机器学习和深度学习三者的关系开始,以深度学习在计算机视觉、自然语言处理和推荐系统的应用实践为主线,逐步剖析模型原理和代码实现。书中的内容深入浅出,通过原理与代码结合、产业实践和作业结合的方式,帮助读者更好地掌握深度学习的理论知识和深度学习开源框架的使用方法。为了让更多的读者从中受益,快速应对复杂多变的AI应用,书中还 介绍了各种模型资源和辅助工具,旨在帮助读者在人工智能的战场上和 AI大师 一样无往不利。 人工智能是一门跨学科的技术,本书既可作为深度学习的入门读物,又可作为人工智能或相关学科本科生和研究生的教材,还可供AI爱好者和从业者使用。
本书是《动手学深度学习》的重磅升级版本,选用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,部分介绍深度学习的基础知识和预备知识,并由线性模型引出基础的神经网络 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。 本书同时覆盖深度学习的方法和实践,主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程知识及预备知识中描述的线性代
本书的目的是考虑大型且具有挑战性的多阶段决策问题,这些问题原则上可以通过动态规划和*控制来解决,但它们的精确解决方案在计算上是难以处理的。本书讨论依赖于近似的解决方法,以产生具有足够性能的次优策略。这些方法统称为增强学习,也可以叫做近似动态规划和神经动态规划等。 本书的主题产生于*控制和人工智能思想的相互作用。本书的目的之一是探索这两个领域之间的共同边界,并架设一座具有任一领域背景的专业人士都可以访问的桥梁。
全书分为4部分。第1部分对基础知识展开讲解,包括Linux基础和ROS入门。第2部分主要关注一个实际的机器人中的硬件和核心传感器模块的构造,重点讲解机器人上的传感器、差分底盘、树莓派主板开发方面的知识。第3部分是SLAM地图构建的核心算法,SLAM中的数学基础、基于激光的SLAM系统、基于视觉的SLAM系统、混合SLAM系统、新型SLAM系统。第4部分是自主导航相关的核心技术与应用,包括自主导航中的数学基础、基于地图的导航、基于环境探索建图的导航、强化学习在机器人导航中的应用。 通过阅读本书,读者不仅可以自己设计出一套SLAM导航机器人出来,还可以在软硬件结合的环境中提高自己的C++/Python/Java方面的编程能力,同时还可以接触到流行的SLAM算法的实际应用。
本书以HCIP-Security和HCIE-Security认证考试大纲为依托,介绍了防火墙和VPN的关键技术,包括安全策略、NAT、双机热备、虚拟系统、链路负载均衡、服务器负载均衡、L2TP VPN、IPSec VPN和SSL VPN。本书详细介绍了每一种技术的产生背景、技术实现原理、配置方法,旨在帮助读者掌握组建安全通信基础设施的技术和能力,顺利通过认证考试。 本书是学习和了解网络安全技术的实用指南,内容全面,通俗易懂,实用性强,适合网络规划工程师、网络技术支持工程师、网络管理员以及想了解网络安全技术的读者阅读。
本书从人工智能(AI)的发展历史讲起,介绍了目前非常热门的深度学习加速芯片和基于神经形态计算的类脑芯片的相关算法、架构、电路等,并介绍了近年来产业界和学术界一些著名的AI芯片,包括生成对抗网络芯片和深度强化学习芯片等。本书着重介绍了用创新的思维来设计AI芯片的各种计算范式,以及下一代AI芯片的几种范例,包括量子启发的AI芯片、进一步提升智能程度的AI芯片、有机自进化AI芯片、光子AI芯片及自供电AI芯片等。本书也介绍了半导体芯片技术在后摩尔定律时代的发展趋势,以及基础理论(如量子场论、信息论等)在引领AI芯片创新方面发挥的巨大作用。*后,本书介绍了AI发展的三个层次、现阶段AI芯片与生物大脑的差距及未来的发展方向。 本书可供AI和芯片领域的研究人员、工程技术人员,科技、产业决策和管理人员,创投从业者和相关专业