本書旨在培養(yǎng)高職學生的信息素養(yǎng)、計算思維和人工智能素養(yǎng)等數(shù)字時代的三個基本素養(yǎng)。全書共分六個單元,主要內(nèi)容包括開啟人工智能新時代、人工智能應(yīng)用微體驗、圖像識別、聲音識別、自然語言處理和人工神經(jīng)網(wǎng)絡(luò)。本書內(nèi)容選取將人工智能的基本理論知識和典型行業(yè)應(yīng)用相結(jié)合,通過任務(wù)實踐,將理論知識融入體驗式應(yīng)用案例中,做到易學、易懂、有

本書講解了經(jīng)典的高級機器學習算法原理與知識，包括常見的監(jiān)督學習、無監(jiān)督學習、概率圖模型、核方法、深度神經(jīng)網(wǎng)絡(luò)，以及強化學習等內(nèi)容，同時更強調(diào)動手實踐。所有算法均利用PyTorch計算框架進行實現(xiàn)，并且在各章節(jié)配備實戰(zhàn)環(huán)節(jié)，內(nèi)容涵蓋點擊率預(yù)估、異常檢測、概率圖模型變分推斷、高斯過程超參數(shù)優(yōu)化、深度強化學習智能體訓練等內(nèi)容

本書主要圍繞著智能科學與技術(shù)的內(nèi)涵展開，強調(diào)學科基礎(chǔ)知識、主要研究方法、核心研究領(lǐng)域、若干熱點問題以及前沿應(yīng)用技術(shù)等，內(nèi)容涉及智能哲學、智能科學、智能技術(shù)等諸多方面。整部教材主要包括學科基礎(chǔ)、科學研究和技術(shù)應(yīng)用三大部分。學科基礎(chǔ)部分涉及學科概述、機器系統(tǒng)、算法運作等方面的內(nèi)容�？茖W研究部分涉及環(huán)境感知、語言理解、意識整

西蒙教授說，科學的目標在于讓精妙復雜的東西變得簡單易懂，卻又不失其驚奇之處！本書作為人工智能領(lǐng)域的一本必讀經(jīng)典，對人工智能領(lǐng)域所涉及的各學科均做出了獨到的分析。西蒙教授在思維和大腦的區(qū)分上投入頗多。他將大腦看作生理機能的一部分，就如計算機中的硬件，只是大腦中的思維是人的想法的呈現(xiàn)。他強調(diào)，人類和計算機中的硬件不同，但這

本書基于循序漸進培養(yǎng)兒童數(shù)學核心概念和邏輯思維的培養(yǎng)目標，用故事情景和實物化編程游戲工具，引導孩子在角色扮演和對圖形化程序指令符號的理解執(zhí)行過程中，訓練孩子用計算思維解決問題，使抽象枯燥的數(shù)學教育和編程教育變成生動活潑、充滿童趣，又富有互動性的學習體驗。 附帶教學教案和教具

為實現(xiàn)人工智能實用型人才的培養(yǎng)，本書以邁進人工智能領(lǐng)域的高效學習路徑為切入點，目標是讓讀者快速進入人工智能的世界，成為一名人工智能應(yīng)用的開發(fā)者。本書切入日常工作與生活場景，捕獲數(shù)據(jù)并從中萃取有價值的信息或模式，利用高效可復用的Python代碼進行人工智能算法實現(xiàn)及可視化，讓讀者從中學到一些核心的“人工智能+”應(yīng)用開發(fā)技

本書比較全面、系統(tǒng)地介紹了深度強化學習的理論和算法，并配有大量的案例和編程實現(xiàn)。全書核心內(nèi)容可以分為3部分，第一部分為經(jīng)典強化學習，包括第2、3、4章，主要內(nèi)容有動態(tài)規(guī)劃法，蒙特卡洛法、時序差分法；第二部分為深度強化學習，包括第6、7、8章，主要內(nèi)容有值函數(shù)近似法、策略梯度法、策略梯度法進階；第三部分重點介紹了深度強化

本書是入門階段的人工智能技術(shù)讀物，使讀者獲得人工智能的入門知識和基本的人工智能思維模式與動手能力，主要內(nèi)容包括人類智能與人工智能的關(guān)系、人工智能的定義、人工智能六大實現(xiàn)途徑、智能系統(tǒng)的動手實踐等，為學校開展人工智能入門教學或者讀者自學人工智能技術(shù)提供參考和指南。

本書以通俗易懂的方式從各個層面介紹了AIGC的基礎(chǔ)知識，并輔以大量案例引領(lǐng)讀者了解AIGC的應(yīng)用實踐，讓讀者可以更快速地利用AIGC改善工作和生活。第1章從AI發(fā)展歷史到資本市場近況闡述了AIGC產(chǎn)業(yè)的概況，第2章介紹了AIGC相關(guān)技術(shù)，第3章介紹了文本類AIGC技術(shù)的發(fā)展及其在傳媒、教育、辦公等場景中的應(yīng)用，第4章介

《機器學習中的標記增強理論與應(yīng)用研究》由東南大學計算機科學與工程學院助理研究員徐寧撰寫。全書聚焦標記端多義性這一當今機器學習領(lǐng)域的熱點問題，針對學習過程中不可避免的信息損失這一突出問題，提出了標記增強的概念，以期在不增加額外數(shù)據(jù)標注負擔的前提下，挖掘訓練樣本中蘊含的標記重要性差異信息，將邏輯標記轉(zhuǎn)化為標記分布�！稒C器學