本書簡潔且全面地介紹了現(xiàn)代神經(jīng)網(wǎng)絡、人工智能和深度學習技術(shù)，專門為軟件工程師和數(shù)據(jù)科學家設計。第1章逐步介紹神經(jīng)網(wǎng)絡的基礎知識。第2章比較TensorFlow1.x和TensorFlow2.0編程模型。第3章重點介紹回歸。第4章介紹卷積神經(jīng)網(wǎng)絡及其在圖像處理中的應用。第5章討論了CNN在圖像、視頻、音頻和文本處理方面的

本書涵蓋了經(jīng)典和現(xiàn)代的深度學習模型。章節(jié)分為三類:第1部分為神經(jīng)網(wǎng)絡的基礎。許多傳統(tǒng)的機器學習模型可以理解為神經(jīng)網(wǎng)絡的特殊情況。前兩章的重點是理解傳統(tǒng)機器學習和神經(jīng)網(wǎng)絡之間的關(guān)系。支持向量機、線性/邏輯回歸、奇異值分解、矩陣分解和推薦系統(tǒng)都是神經(jīng)網(wǎng)絡的特例。本書將這些方法與特征工程方法如word2vec一起進行了研究。

本教材主要面向機械類、機器人類及其他非控制專業(yè)本科生，內(nèi)容包括控制的基本概念、發(fā)展歷程，控制系統(tǒng)的動態(tài)數(shù)學模型、時域瞬態(tài)響應分析、誤差分析和計算、頻率特性、穩(wěn)定性分析、綜合與校正，以及各章相關(guān)的MATLAB仿真。本教材以機電系統(tǒng)作為主要控制對象，對其數(shù)學模型和時域、頻域分析綜合進行重點介紹；著重基本概念的建立和解決機電

本書理論與實踐相結(jié)合，系統(tǒng)闡述強化學習的基礎知識，以及如何動手編寫智能體以執(zhí)行一系列實際任務。通過閱讀本書，讀者將獲得深層Q網(wǎng)絡、策略梯度方法、連續(xù)控制問題以及高度可擴展的非梯度方法等主題領域的可行洞見，還將學會如何構(gòu)建一個經(jīng)過強化學習訓練、價格低廉的真實硬件機器人，并通過一步步代碼優(yōu)化在短短30分鐘的訓練后解決Pon

本書主要介紹了人工智能的基礎知識和實用技術(shù)。本書共8章，包括“人工智能：開啟智慧新時代”“Python：人工智能開發(fā)語言”“線性回歸：預測未來趨勢”“分門別類：幫你‘分而治之’”“物以類聚：發(fā)現(xiàn)新簇群”“個性化推薦：主動滿足你的需求”“語音識別：讓機器對你言聽計從”“人臉識別：機器也認識你”。 本書以培養(yǎng)學生人工智能素

本書從深度學習的發(fā)展歷程開始，系統(tǒng)介紹了基于深度學習的目標檢測的基本問題及其相關(guān)處理方法與技術(shù)，主要內(nèi)容涉及兩階段和單階段目標檢測的理論、算法和研究成果。本書共6章，包括深度學習神經(jīng)網(wǎng)絡類型、目標檢測技術(shù)、基于FasterR-CNN的目標檢測改進算法、領域自適應及其在目標檢測技術(shù)上的典型應用、圖像識別模型改進及面部表情

本書源于阿里巴巴千億級知識圖譜構(gòu)建與產(chǎn)業(yè)化應用的工作總結(jié)，對知識圖譜理論和大規(guī)模工業(yè)實踐進行了全面和深入的闡述。本書以阿里巴巴的實戰(zhàn)經(jīng)驗為中心，以深厚的理論成果為支撐，詳細闡述了知識圖譜的方方面面。首先介紹工業(yè)場景下知識圖譜的現(xiàn)狀、存在的問題和架構(gòu)設計；然后從知識表示、知識融合、知識獲取、知識推理、知識存儲和知識圖譜前

本書首先從人工智能的定義講起，就人工智能的早期歷史、思維和智能的內(nèi)涵、新千年人工智能的發(fā)展進行了簡要論述。第二部分詳細講述了人工智能中的知識表示、機器學習、神經(jīng)網(wǎng)絡與深度學習、智能語音技術(shù)、計算機視覺、自然語言處理和知識圖譜技術(shù)等基礎知識，并通過人工智能在醫(yī)療、交通、生活、金融、零售、安防中的經(jīng)典的成功應用案例讓讀者更

本書從工業(yè)界一線算法工作者的視角，對深度強化學習落地實踐中的工程經(jīng)驗和相關(guān)方法論做出了深度思考和系統(tǒng)歸納。本書跳出了原理介紹加應用案例的傳統(tǒng)敘述模式，轉(zhuǎn)而在橫向上對深度強化學習落地過程中的核心環(huán)節(jié)進行了完整復盤。主要內(nèi)容包括需求分析和算法選擇的方法，動作空間、狀態(tài)空間和回報函數(shù)設計的理念，訓練調(diào)試和性能沖刺的技巧等。本

本書采用理論與實戰(zhàn)相結(jié)合的形式，通過生活中的例子來講解理論知識，結(jié)合實際案例代碼，幫助讀者在掌握機器學習理論的同時，打下項目實踐的基礎，同時配有豐富的教學資源，幫助讀者自學或開展教學工作。本書共13章，涵蓋機器學習入門所需的數(shù)學知識及相關(guān)算法，包括K近鄰算法、決策樹、樸素貝葉斯、邏輯回歸與梯度下降、支持向量機、AdaB