"《分布式機器學習模式》將詳細介紹數(shù)十種設計和部署分布式機器學習系統(tǒng)的技術。你將使用各種模式解決如下問題：如何進行分布式模型訓練、如何應對突發(fā)的系統(tǒng)故障，以及如何部署動態(tài)的模型服務。本書為每種模式都配備了實際的案例分析，以及基于Kubernetes實現(xiàn)分布式模型訓練和彈性推理的完整項目。主要內(nèi)容●數(shù)據(jù)攝取、分布式訓練、
"《數(shù)字人+虛擬主播+AI視頻+AI音頻+AI產(chǎn)品造型從新手到高手》探討了人工智能技術在多個領域的實際應用策略，內(nèi)容主要涵蓋了辦公學習、信息咨詢、藝術創(chuàng)作、數(shù)字人像構建、虛擬主播的呈現(xiàn)、AI驅動的視頻與音頻處理，以及AI輔助產(chǎn)品設計等前沿應用場景，并深入剖析了各種實用型AI軟件的操作關鍵點，旨在降低讀者獨立探索AI工具
《人工智能時代的教育技術及應用》一書對人工智能和教育的融合與應用進行了探討和分析，以期為教育的變革與創(chuàng)新發(fā)揮力量。本書包括五章內(nèi)容，第一章對人工智能的基本理論及其對教育的影響和挑戰(zhàn)進行了概述；第二章探討了人工智能時代教育行動的五個方向，分別是養(yǎng)成信息化思維、發(fā)揮信息處理天賦、提升信息處理能力、提高信息處理效率以及適應信
本書系統(tǒng)地講解各種模型在端側平臺(含嵌入式設備、移動端設備)中的工程化實踐，重點討論模型優(yōu)化、模型輕量化設計、高性能計算、Neon編程、ARM處理器OpenCV編程、基于TFLite的端側模型部署和性能優(yōu)化、NPU和GPU推理加速等。通過本書的閱讀，讀者可以理解端側AI模型部署內(nèi)容，包括算法及算子優(yōu)化和對模型的精度、性
本教材內(nèi)容包括機器學習概述、機器學習開發(fā)環(huán)境安裝及使用，以及8個預測任務(涵蓋監(jiān)督學習、無監(jiān)督學習、集成學習、深度學習等知識點)。在內(nèi)容的選取上，本教材突出數(shù)據(jù)的多樣性、方法的代表性和繼承性，通過豐富的機器學習任務深入淺出地介紹機器學習技術在現(xiàn)實生活中的應用和實踐。本教材共有10章，第1-2章是實施機器學習任務前的概念
本書探討了人工智能(AI)的發(fā)展及其對人類社會的深遠影響。書中首先強調了科學技術作為第一生產(chǎn)力的重要性，引用了鄧小平和幾代領導人的觀點，指出科技創(chuàng)新在推動社會生產(chǎn)力和經(jīng)濟增長中的核心作用；在探討財富的起源和增長時，指出工業(yè)革命后的技術進步是近200多年財富爆發(fā)性增長的主要推動力；書中對世界復雜性的討論同樣引人深思。最引
本書是一本精簡的神經(jīng)網(wǎng)絡入門教程，用通俗易懂的語言講解神經(jīng)網(wǎng)絡的相關知識。本書共6章，第1章對神經(jīng)網(wǎng)絡領域進行概述，包括其歷史和應用；第2章深入探討神經(jīng)元的數(shù)學模型，包括其輸入、權值、偏置和激活函數(shù)；第3章介紹感知機的概念，討論感知機的結構，并解釋如何用它來解決簡單的分類問題；第4章介紹多層感知機的概念，講述如何使用前
本教材系統(tǒng)地講解了機器學習的理論與方法，內(nèi)容主要包括高斯混合模型和EM算法、主題模型、采樣與非參數(shù)貝葉斯方法、聚類分析、支持向量機、概率無向圖模型、概率有向圖模型、矩陣與張量分解、多層感知機與卷積神經(jīng)網(wǎng)絡、序列神經(jīng)網(wǎng)絡，以及強化學習。本教材旨在使讀者了解機器學習的發(fā)展，理解和掌握機器學習的基本原理、方法與主要應用。本書
機器學習是人工智能的核心領域之一，本書配套周志華教授所著的《機器學習》教材，通過大量習題考查讀者對機器學習相關知識點的理解與掌握。本書分為兩個部分：第一部分習題對應《機器學習》第1-10章的內(nèi)容，包括緒論、模型評估與選擇、線性模型、決策樹、神經(jīng)網(wǎng)絡、支持向量機、貝葉斯分類器、集成學習、聚類、降維與度量學習；第二部分包含
本書彌補了純數(shù)學書籍和機器學習書籍存在的單一性問題，介紹了理解機器學習所需的必備數(shù)學概念，例如線性代數(shù)、解析幾何、矩陣分解、向量微積分、優(yōu)化、概率和統(tǒng)計，并使用這些概念推導出了四種核心機器學習方法：線性回歸、主成分分析、高斯混合模型和支持向量機。本書每一章都包括一些例子，大部分章還配有習題，以方便讀者測試對所學知識的理
書單推薦
