本書提到三個(gè)循環(huán)：第一個(gè)循環(huán)也是最核心的循環(huán)，即世代沿襲的人類本能。人類天生具有偏見，而且更傾向于使用大腦的系統(tǒng)1行事，在這個(gè)過(guò)程中，人類原有的偏見進(jìn)一步被強(qiáng)化，形成第一個(gè)循環(huán)。第二個(gè)循環(huán)是來(lái)自現(xiàn)代的力量，如消費(fèi)類技術(shù)、資本主義、營(yíng)銷和政治，它們對(duì)核心循環(huán)的人類行為進(jìn)行采樣，總結(jié)出模式，再將這些模式反作用于人類，最終引

本書圍繞自主無(wú)人系統(tǒng)發(fā)展背景、發(fā)展現(xiàn)狀、技術(shù)挑戰(zhàn)、倫理道德和政策法律等問(wèn)題展開闡述。首先介紹了自主無(wú)人系統(tǒng)的相關(guān)概念、發(fā)展歷程、發(fā)展現(xiàn)狀和發(fā)展趨勢(shì)；其次重點(diǎn)分析了自主無(wú)人系統(tǒng)涉及的關(guān)鍵技術(shù)，包括感知與認(rèn)知、決策與規(guī)劃、行動(dòng)與控制、交互與協(xié)同、學(xué)習(xí)與進(jìn)化等；然后分析了使用自主無(wú)人武器系統(tǒng)面臨的倫理道德與政策法律問(wèn)題，并介

機(jī)器學(xué)習(xí)數(shù)學(xué)基礎(chǔ)

本書以PyTorch作為深度學(xué)習(xí)框架，主要包括4部分。第1部分（第1、2章），主要概述PyTorch基礎(chǔ)知識(shí)與常見深度學(xué)習(xí)算法實(shí)現(xiàn)，例如，CNN、LSTM，即CNN-LSTM；第2部分（第3～5章）高級(jí)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，主要包括常見的深度學(xué)習(xí)網(wǎng)絡(luò)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(yǔ)言編程基礎(chǔ)知識(shí)。編者充分調(diào)研了行業(yè)、企業(yè)對(duì)人才技術(shù)技能的需求，將教學(xué)過(guò)程和企業(yè)深度學(xué)習(xí)模型的訓(xùn)練與部署、人工智能應(yīng)用開發(fā)等生產(chǎn)過(guò)程銜接，與企業(yè)一線工程人員共同研究學(xué)生需要掌握的職業(yè)理論知識(shí)和技能，同時(shí)參照人工智能深度學(xué)習(xí)工程應(yīng)用職業(yè)技能等級(jí)證書要求，將證書和崗位需求充分融入本書。本書

智能問(wèn)答技術(shù)在自然語(yǔ)言處理和人工智能領(lǐng)域發(fā)揮著重要的作用。它將信息檢索、知識(shí)表示和自然語(yǔ)言處理技術(shù)融合在一起，為智能推薦、網(wǎng)絡(luò)客服等任務(wù)提供了杰出的支持。本書共分為11章，分為3個(gè)部分。第1部分主要介紹知識(shí)庫(kù)的構(gòu)建，包括現(xiàn)有的知識(shí)庫(kù)構(gòu)建技術(shù)、基礎(chǔ)知識(shí)、數(shù)據(jù)采集技術(shù)、數(shù)據(jù)轉(zhuǎn)換儲(chǔ)存和查詢流程、異構(gòu)數(shù)據(jù)源實(shí)體對(duì)齊和面向知識(shí)圖

圖可以被用于表示各類對(duì)象之間的關(guān)系，而圖神經(jīng)網(wǎng)絡(luò)是指專門用于處理圖數(shù)據(jù)的深度學(xué)習(xí)模型，可實(shí)現(xiàn)對(duì)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(luò)的基本原理、常用模型和應(yīng)用領(lǐng)域等。首先介紹了兩類最基本的圖神經(jīng)網(wǎng)絡(luò)方法GCN和GraphSAGE，并給出了圖神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)、評(píng)價(jià)方法；然后對(duì)圖神經(jīng)網(wǎng)絡(luò)中常用的模型結(jié)構(gòu)進(jìn)行了深入

生成式AI是科技領(lǐng)域最炙手可熱的話題。這本實(shí)踐用書教授機(jī)器學(xué)習(xí)工程師和數(shù)據(jù)科學(xué)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(xué)習(xí)模型，包括變分自編碼器(VAE)、生成對(duì)抗網(wǎng)絡(luò)(GAN)、Transformers、歸一化流、基于能量的模型和去噪擴(kuò)散模型。本書從深度學(xué)習(xí)的基礎(chǔ)知識(shí)開始，逐步

本書包含代碼實(shí)踐和案例實(shí)踐，運(yùn)用OpenCV、PyTorch等框架工具詳細(xì)講解中文車牌識(shí)別檢測(cè)、采用三元組的FaceNet人臉識(shí)別理論與實(shí)踐、車道檢測(cè)的兩種深度學(xué)習(xí)思路及煙霧檢測(cè)4大實(shí)踐項(xiàng)目。相關(guān)理論可參考《基于深度學(xué)習(xí)的目標(biāo)檢測(cè)原理與應(yīng)用》一書，從而學(xué)以致用、融會(huì)貫通。

許多部門和行業(yè)都渴望將AI和數(shù)據(jù)驅(qū)動(dòng)技術(shù)整合到自己的系統(tǒng)和運(yùn)營(yíng)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(xué)知識(shí)。這本綜合指南彌補(bǔ)了AI所展現(xiàn)出的無(wú)限潛力和應(yīng)用與相關(guān)數(shù)學(xué)基礎(chǔ)之間的存在的現(xiàn)實(shí)差距。作者HalaNelson并沒(méi)有討論高深的學(xué)術(shù)理論，而是以現(xiàn)實(shí)世界的應(yīng)用和最先進(jìn)的模型為重點(diǎn)，介紹了在人工智能領(lǐng)域發(fā)