k-均值問(wèn)題是經(jīng)典組合優(yōu)化問(wèn)題,也是著名的NP-難問(wèn)題之一,相應(yīng)的Lloyd算法是數(shù)據(jù)挖掘的十大經(jīng)典算法之一.k-均值問(wèn)題在人工智能、數(shù)據(jù)挖掘、理論計(jì)算機(jī)科學(xué)、運(yùn)籌學(xué)和管理科學(xué)中有著廣泛的應(yīng)用.本書(shū)介紹k-均值問(wèn)題及其變形的基于隨機(jī)抽樣、降維、核心集、近似質(zhì)心集、局部搜索、線性規(guī)劃舍入等技術(shù)的近似算法.主要內(nèi)容包括:經(jīng)

人工智能領(lǐng)域一直以來(lái)堅(jiān)信：只要人工智能系統(tǒng)能產(chǎn)生類似于人類的行為，它就是智能的。于是，我們看到了能夠打敗國(guó)際象棋guan軍的計(jì)算機(jī)棋手，能夠根據(jù)路況選擇行駛路線的無(wú)人駕駛汽車，能夠做手術(shù)的醫(yī)生……人們甚至開(kāi)始擔(dān)憂：有朝一日，機(jī)器人會(huì)不會(huì)超越人類，進(jìn)而奴役人類？ 在《新機(jī)器智能》一書(shū)中，科技界

理解TensorFlow模型模式和ML工作流中的最佳實(shí)踐。 使用代碼段作為構(gòu)建TensorFlow模型和工作流的模板。 通過(guò)集成TensorFlowHub中的預(yù)建模型節(jié)省開(kāi)發(fā)時(shí)間。 使用加速器集群（如GPU或TPU）充分利用分布式訓(xùn)練。 對(duì)數(shù)據(jù)攝取、訓(xùn)練模型、模型保存和推理做出明智的設(shè)計(jì)選擇。

研究張量，這是機(jī)器學(xué)習(xí)中最基本的結(jié)構(gòu)。 通過(guò)一個(gè)真實(shí)示例完成數(shù)據(jù)與張量的來(lái)回轉(zhuǎn)換。 使用TensorFlow.js結(jié)合AI和Web。 使用資源轉(zhuǎn)換、訓(xùn)練和管理機(jī)器學(xué)習(xí)數(shù)據(jù)。 從頭開(kāi)始構(gòu)建和訓(xùn)練你自己的訓(xùn)練模型。

本書(shū)針對(duì)深度學(xué)習(xí)及開(kāi)源框架——PyTorch，采用簡(jiǎn)明的語(yǔ)言進(jìn)行知識(shí)的講解，注重實(shí)戰(zhàn)。全書(shū)分為4篇，共19章。深度學(xué)習(xí)基礎(chǔ)篇（第1章~第6章）包括PyTorch簡(jiǎn)介與安裝、機(jī)器學(xué)習(xí)基礎(chǔ)與線性回歸、張量與數(shù)據(jù)類型、分類問(wèn)題與多層感知器、多層感知器模型與模型訓(xùn)練、梯度下降法、反向傳播算法與內(nèi)置優(yōu)化器。計(jì)算機(jī)視覺(jué)篇（第7章~

隨著云計(jì)算、大數(shù)據(jù)等的快速發(fā)展，越來(lái)越多的組織用信息化手段進(jìn)行流程管理。如何提升流程執(zhí)行的智能化程度、動(dòng)態(tài)性和柔性，以提高對(duì)非標(biāo)準(zhǔn)業(yè)務(wù)的管理效率，是流程管理面臨的一個(gè)重要問(wèn)題。 本書(shū)基于流程管理系統(tǒng)積累的日志，提出了3種流程管理的工作流活動(dòng)推薦方法，分別為基于用戶類別近鄰的活動(dòng)推薦方法、基于Pearson相關(guān)系數(shù)的活動(dòng)

本書(shū)通過(guò)扎實(shí)、詳細(xì)的內(nèi)容和清晰的結(jié)構(gòu)，從算法理論、算法源碼、實(shí)驗(yàn)結(jié)果等方面對(duì)深度學(xué)習(xí)算法進(jìn)行分析和介紹。本書(shū)共三篇，第一篇主要介紹深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)方向的一些卷積神經(jīng)網(wǎng)絡(luò)，從基礎(chǔ)骨干網(wǎng)絡(luò)、輕量級(jí)CNN、模型架構(gòu)搜索3個(gè)方向展開(kāi)，介紹計(jì)算機(jī)視覺(jué)方向的里程碑算法；第二篇主要介紹深度學(xué)習(xí)在自然語(yǔ)言處理方向的重要突破，包括基

全書(shū)可分為五大部分，闡述了分布式人工智能的基礎(chǔ)知識(shí)以及相關(guān)進(jìn)展，包括分布式人工智能簡(jiǎn)介、分布式規(guī)劃與優(yōu)化、多智能體博弈、多智能體學(xué)習(xí)和分布式人工智能應(yīng)用。除此之外，由于本領(lǐng)域尚處于蓬勃發(fā)展階段，相關(guān)技術(shù)與應(yīng)用層出不窮，因此書(shū)中還提供了研究者對(duì)于分布式人工智能發(fā)展的相關(guān)預(yù)測(cè)，主要集中在：第一，更復(fù)雜和更大規(guī)模的分布式人工

本書(shū)主要針對(duì)控制理論的一些重要分支，分析了當(dāng)前存在的瓶頸問(wèn)題，展望了其發(fā)展趨勢(shì)和面臨的一系列挑戰(zhàn)。全書(shū)共分為17章，分別為：優(yōu)化控制研究的概述與關(guān)鍵問(wèn)題分析、邏輯控制系統(tǒng)中的未解問(wèn)題、系統(tǒng)與控制中優(yōu)化理論與應(yīng)用的挑戰(zhàn)與瓶頸、分布參數(shù)系統(tǒng)控制、數(shù)據(jù)驅(qū)動(dòng)控制系統(tǒng)、自抗擾控制中的若干未解問(wèn)題、非線性控制的幾個(gè)瓶頸問(wèn)題、時(shí)間與

本書(shū)在理解算法如何工作和如何更好地調(diào)整模型之間架起一座橋梁。本書(shū)將幫助你掌握開(kāi)發(fā)主要機(jī)器學(xué)習(xí)模型的技能，包括監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)（其中包括線性/對(duì)率回歸）、決策樹(shù)、隨機(jī)森林、梯度提升機(jī)（GBM）、神經(jīng)網(wǎng)絡(luò)、k均值聚類、主成分分析和推薦系統(tǒng)。你將通過(guò)應(yīng)用于文本挖掘的CNN、RNN和Word2vec接觸到*新的深度學(xué)習(xí)，并學(xué)習(xí)