本書以PyTorch作為深度學習框架，主要包括4部分。第1部分（第1、2章），主要概述PyTorch基礎知識與常見深度學習算法實現(xiàn)，例如，CNN、LSTM，即CNN-LSTM；第2部分（第3～5章）高級神經(jīng)網(wǎng)絡實現(xiàn)，主要包括常見的深度學習網(wǎng)絡結(jié)構(gòu)，例如CNN、RNN及最新的Transformer等模型；第3部分（第6～
閱讀本書需要具備一定的Python語言編程基礎知識。編者充分調(diào)研了行業(yè)、企業(yè)對人才技術技能的需求，將教學過程和企業(yè)深度學習模型的訓練與部署、人工智能應用開發(fā)等生產(chǎn)過程銜接，與企業(yè)一線工程人員共同研究學生需要掌握的職業(yè)理論知識和技能，同時參照人工智能深度學習工程應用職業(yè)技能等級證書要求，將證書和崗位需求充分融入本書。本書
智能問答技術在自然語言處理和人工智能領域發(fā)揮著重要的作用。它將信息檢索、知識表示和自然語言處理技術融合在一起，為智能推薦、網(wǎng)絡客服等任務提供了杰出的支持。本書共分為11章，分為3個部分。第1部分主要介紹知識庫的構(gòu)建，包括現(xiàn)有的知識庫構(gòu)建技術、基礎知識、數(shù)據(jù)采集技術、數(shù)據(jù)轉(zhuǎn)換儲存和查詢流程、異構(gòu)數(shù)據(jù)源實體對齊和面向知識圖
圖可以被用于表示各類對象之間的關系，而圖神經(jīng)網(wǎng)絡是指專門用于處理圖數(shù)據(jù)的深度學習模型，可實現(xiàn)對圖數(shù)據(jù)的建模和推斷。本書系統(tǒng)地介紹了圖神經(jīng)網(wǎng)絡的基本原理、常用模型和應用領域等。首先介紹了兩類最基本的圖神經(jīng)網(wǎng)絡方法GCN和GraphSAGE，并給出了圖神經(jīng)網(wǎng)絡的學習目標、評價方法；然后對圖神經(jīng)網(wǎng)絡中常用的模型結(jié)構(gòu)進行了深入
生成式AI是科技領域最炙手可熱的話題。這本實踐用書教授機器學習工程師和數(shù)據(jù)科學人員如何利用TensorFlow和Keras從零開始創(chuàng)建令人印象深刻的生成式深度學習模型，包括變分自編碼器(VAE)、生成對抗網(wǎng)絡(GAN)、Transformers、歸一化流、基于能量的模型和去噪擴散模型。本書從深度學習的基礎知識開始，逐步
本書包含代碼實踐和案例實踐，運用OpenCV、PyTorch等框架工具詳細講解中文車牌識別檢測、采用三元組的FaceNet人臉識別理論與實踐、車道檢測的兩種深度學習思路及煙霧檢測4大實踐項目。相關理論可參考《基于深度學習的目標檢測原理與應用》一書，從而學以致用、融會貫通。
許多部門和行業(yè)都渴望將AI和數(shù)據(jù)驅(qū)動技術整合到自己的系統(tǒng)和運營中。但要構(gòu)建真正成功的AI系統(tǒng)，你需要牢固掌握底層的數(shù)學知識。這本綜合指南彌補了AI所展現(xiàn)出的無限潛力和應用與相關數(shù)學基礎之間的存在的現(xiàn)實差距。作者HalaNelson并沒有討論高深的學術理論，而是以現(xiàn)實世界的應用和最先進的模型為重點，介紹了在人工智能領域發(fā)
本書將人工智能技術的理論及應用，結(jié)合大數(shù)據(jù)時代人工智能的應用和意義進行了探討，為同行起到了借鑒和參考的作用。
本書闡述了分布式人工智能原理及其應用，基本原理的主要內(nèi)容包括的分布式人工智能的內(nèi)涵、基本原理、計算框架等；研究了分布式人工智能學習與優(yōu)化、強化學習與演化計算、群智能體強化學習等前沿方法；給出了分布式信息融合、視覺感知、協(xié)同搜索、對抗博弈決策和智能博弈推演等典型應用，建立起了較為全面的知識體系與脈絡，為后續(xù)研究奠定了良好
本書是一本探討意識起源、勾勒人工智能未來圖景的學術性科普圖書。如今，人工智能已經(jīng)滲透到我們生活的方方面面，給我們生活帶來巨大便利的同時，也引發(fā)了人們對人工智能會威脅人類生存的擔憂。人工智能的本質(zhì)是什么？機器能產(chǎn)生意識嗎？如何度量機器的智能？在人工智能熱潮涌現(xiàn)的今天，本書作者直面人工智能研究乃至眾多前沿科學研究都繞不過去
書單推薦
