用Keras、TensorFlow、CoreML，以及TensorFlowLite訓(xùn)練、微調(diào)并發(fā)布計(jì)算機(jī)視覺模型。為不同設(shè)備開發(fā)AI應(yīng)用，包括RaspberryPi、JetsonNano，以及GoogleCoral。探索有趣的項(xiàng)目，從硅谷“熱狗識別”應(yīng)用程序到谷歌規(guī)模的圖像搜索，以及40多個案例研究和行業(yè)實(shí)例。在電子游

·學(xué)習(xí)如何通過變分自動編碼器改變圖像中人物的面部表情。·學(xué)習(xí)如何構(gòu)建GAN模型，包括風(fēng)格遷移模型CycleGAN以及音樂生成模型MuseGAN。·學(xué)習(xí)如何通過循環(huán)生成模型來生成文本，以及如何利用注意力機(jī)制改善模型。·學(xué)習(xí)如何利用生成模型幫助智能體在強(qiáng)化學(xué)習(xí)環(huán)境中完

本書著重?cái)⑹鋈斯ぶ悄芗夹g(shù)的基礎(chǔ)知識、工作原理和發(fā)展概況，并通過對各種人工智能算法的介紹，講解人工智能技術(shù)在工程領(lǐng)域中的各種實(shí)際應(yīng)用。本書共分為9章，主要內(nèi)容包括人工智能概述、人工智能算法基礎(chǔ)知識、遺傳算法、粒子群算法、蟻群算法、人工魚群算法、神經(jīng)網(wǎng)絡(luò)算法、模糊系統(tǒng)、專家系統(tǒng)等。本書不僅涵蓋基本的理論知識，還通過相應(yīng)的實(shí)

深度學(xué)習(xí)往往被視為數(shù)學(xué)博士和大型科技公司的專屬領(lǐng)域。但正如這本實(shí)踐指南所展示的那樣，熟練使用Python的程序員只需很少的數(shù)學(xué)背景、少量的數(shù)據(jù)和最少的代碼，就可以在深度學(xué)習(xí)方面取得令人印象深刻的成果。怎么樣才能做到？使用fastai，這是**為最常用的深度學(xué)習(xí)應(yīng)用提供一致接口的庫。本書作者JeremyHoward和Sy

數(shù)據(jù)孤島和隱私保護(hù)已經(jīng)成為制約人工智能發(fā)展的關(guān)鍵因素。聯(lián)邦學(xué)習(xí)作為一種新型的隱私保護(hù)計(jì)算方案，在數(shù)據(jù)不出本地的前提下，能有效聯(lián)合各參與方聯(lián)合建模，從而實(shí)現(xiàn)“共同富�！�，成為當(dāng)下人工智能領(lǐng)域備受關(guān)注的熱點(diǎn)。本書以實(shí)戰(zhàn)為主（包括對應(yīng)用案例的深入講解和代碼分析），兼顧對理論知識的系統(tǒng)總結(jié)。全書由五部分共19章構(gòu)成。第一部分簡

創(chuàng)新工場于2017年發(fā)起了面向高校在校生的DeeCamp人工智能訓(xùn)練營（簡稱DeeCamp訓(xùn)練營），訓(xùn)練營內(nèi)容涵蓋學(xué)術(shù)界與產(chǎn)業(yè)界領(lǐng)軍人物帶來的全新AI知識體系和來自產(chǎn)業(yè)界的真實(shí)實(shí)踐課題，旨在提升高校AI人才在行業(yè)應(yīng)用中的實(shí)踐能力，以及推進(jìn)產(chǎn)學(xué)研深度結(jié)合。本書以近兩年DeeCamp訓(xùn)練營培訓(xùn)內(nèi)容為基礎(chǔ)，精選部分導(dǎo)師的授課

本書是面向高級人工智能人才培養(yǎng)的高等學(xué)校人工智能相關(guān)專業(yè)規(guī)劃教材中的一本，通過梳理人工智能涉及的相關(guān)數(shù)學(xué)理論，并通過Python實(shí)現(xiàn)相關(guān)案例，使抽象的理論具體化，從而加深讀者對數(shù)學(xué)的感性認(rèn)識，提高讀者對數(shù)學(xué)理論的理解能力。本書首先介紹了人工智能所需的基礎(chǔ)數(shù)學(xué)理論，然后根據(jù)數(shù)學(xué)內(nèi)容的邏輯順序，以微積分、線性代數(shù)、概率論、

這是一本具有高中數(shù)學(xué)知識就能讀懂的機(jī)器學(xué)習(xí)圖書，書中通過大量程序?qū)嵗�，將�?fù)雜的公式重新拆解，詳細(xì)、清晰地解讀了機(jī)器學(xué)習(xí)中常用的數(shù)學(xué)知識，一步步帶領(lǐng)讀者進(jìn)入機(jī)器學(xué)習(xí)的領(lǐng)域。本書共22章，主要講解了數(shù)據(jù)可視化、math模塊、sympy模塊、numpy模塊、方程式、函數(shù)、最小平方法、集合、概率、貝葉斯定理、指數(shù)、對數(shù)、歐拉數(shù)

圖神經(jīng)網(wǎng)絡(luò)（GNN）是基于深度學(xué)習(xí)的圖數(shù)據(jù)處理方法，因其卓越的性能而受到廣泛關(guān)注。本書全面介紹了GNN的基本概念、具體模型和實(shí)際應(yīng)用。書中首先概述數(shù)學(xué)基礎(chǔ)和神經(jīng)網(wǎng)絡(luò)以及圖神經(jīng)網(wǎng)絡(luò)的基本概念，接著介紹不同種類的GNN，包括卷積圖神經(jīng)網(wǎng)絡(luò)、循環(huán)圖神經(jīng)網(wǎng)絡(luò)、圖注意力網(wǎng)絡(luò)、圖殘差網(wǎng)絡(luò)，以及幾個通用框架。此外，本書還介紹了GNN

本書由全球知名的3位專家IanGoodfellow、YoshuaBengio和AaronCourville撰寫，是深度學(xué)習(xí)領(lǐng)域奠基性的經(jīng)典教材。全書的內(nèi)容包括3個部分：第1部分介紹基本的數(shù)學(xué)工具和機(jī)器學(xué)習(xí)的概念，它們是深度學(xué)習(xí)的預(yù)備知識；第2部分系統(tǒng)深入地講解現(xiàn)今已成熟的深度學(xué)習(xí)方法和技術(shù)；第3部分討論某些具有前瞻性的