隨著數(shù)字音樂內(nèi)容的迅速增長以及人們對音樂鑒賞需求的日益提升，音樂信息的分類檢索及個性化推薦受到廣大網(wǎng)民和有關(guān)從業(yè)人員越來越廣泛的關(guān)注,并成為研究及應(yīng)用的新熱點。本書系統(tǒng)地闡述了機器學(xué)習(xí)中的常用分類與推薦方法,介紹了網(wǎng)絡(luò)音樂自動分類與推薦的理論基礎(chǔ)，重點探討了ＳＶＭ和ＫＮＮ分類算法的改進，以及協(xié)同過濾推薦算法和基于馬爾可

人工智能是一門發(fā)展極其迅速且內(nèi)容豐富的學(xué)科，其眾多分支領(lǐng)域都值得大家去探索和學(xué)習(xí)。《人工智能基礎(chǔ)與進階》分為基礎(chǔ)篇和進階篇兩個篇章。其中，基礎(chǔ)篇內(nèi)容包括了人工智能的基本概念、人工智能的發(fā)展歷史、計算機與環(huán)境感知、簡單幾何形狀的識別、人工智能搜索算法；進階篇則包括大數(shù)據(jù)的定義、知識與推理、回歸與分類、深度學(xué)習(xí)網(wǎng)絡(luò)、感知信

深度學(xué)習(xí)網(wǎng)絡(luò)正變得越來越小。谷歌助理（GoogleAssistant）團隊可以在微控制器上運行只有14KB大小的模型來檢測單詞。這本實用的書將帶你進入TinyML的世界，讓深度學(xué)習(xí)和嵌入式系統(tǒng)結(jié)合在一起，用微小的設(shè)備創(chuàng)造出驚奇的事業(yè)。

隨著人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)成為最受關(guān)注的領(lǐng)域之一。在深度學(xué)習(xí)的諸多開發(fā)框架中，TensorFlow是最受歡迎的開發(fā)框架。本書以培養(yǎng)人工智能編程思維和技能為核心，以工作過程為導(dǎo)向，采用任務(wù)驅(qū)動的方式組織內(nèi)容。全書共分為8個任務(wù)，任務(wù)1介紹深度學(xué)習(xí)的發(fā)展歷程、應(yīng)用領(lǐng)域以及開發(fā)環(huán)境的搭建過程；任務(wù)2介紹TensorFl

本書以人機界面評價研究為背景，分析了人機界面評價研究的必要性，回顧了國內(nèi)外人機界面評價研究的現(xiàn)狀，論述了人機界面評價理論及方法。以工效學(xué)標(biāo)準(zhǔn)為基礎(chǔ)，構(gòu)建了核電廠主控室人機界面評價指標(biāo)體系，開發(fā)了人機界面評價軟件。主要內(nèi)容包括人機界面評價指標(biāo)篩選方法的分析與構(gòu)建、人機界面評價指標(biāo)體系的構(gòu)建、人機界面評價指標(biāo)權(quán)重分配方法的

本書可作為通識性選修課程的教學(xué)用書。本書內(nèi)容包括人工智能的概念、知識工程、確定性和不確定性推理、搜索技術(shù)、機器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)、自然語言處理、多智能體系統(tǒng)等。全書弱化理論知識，以了解性內(nèi)容為主。通過本書的學(xué)習(xí)，可使所有相關(guān)專業(yè)學(xué)生對人工智能有一個基礎(chǔ)性的認識，方便后續(xù)相關(guān)課程的學(xué)習(xí)。

集成學(xué)習(xí)方法是一類先進的機器學(xué)習(xí)方法，這類方法訓(xùn)練多個學(xué)習(xí)器并將它們結(jié)合起來解決一個問題，在實踐中獲得了巨大成功。全書分為三部分。第一部分主要介紹集成學(xué)習(xí)的背景知識；第二部分主要介紹集成學(xué)習(xí)方法的核心知識，包括Boosting、Bagging、RandomForests等經(jīng)典算法，平均、投票和Stacking等模型和方

本書內(nèi)容涵蓋經(jīng)典的有監(jiān)督機器學(xué)習(xí)算法，無監(jiān)督機器學(xué)習(xí)算法，深度機器學(xué)習(xí)算法，闡述從淺層學(xué)習(xí)到深度學(xué)習(xí)，從簡單的線性模型到復(fù)雜的神經(jīng)網(wǎng)絡(luò)非線性模型的原理與應(yīng)用。書中每個章節(jié)遵循先簡介理論基礎(chǔ)，再構(gòu)建數(shù)學(xué)模型，然后輔以實例分析，從理論到實踐的講解原則。每個章節(jié)可獨立閱讀，也可從前向后，從簡到難，從淺層學(xué)習(xí)到深度學(xué)習(xí)，循序漸

全書共分為兩篇：在上篇中，將從浩瀚的數(shù)學(xué)海洋中擷取機器學(xué)習(xí)研究人員最為必須和重要的數(shù)學(xué)基礎(chǔ)。內(nèi)容主要包括：微積分（含場論）、數(shù)值計算和常用最優(yōu)化方法、概率論基礎(chǔ)與數(shù)理統(tǒng)計、線性代數(shù)等。在下篇中，將選取機器學(xué)習(xí)中最為常用的算法和模型進行講解，這部分內(nèi)容將涉及（廣義）線性回歸、圖模型（包含貝葉斯網(wǎng)絡(luò)和HMM等）、分類算法（

本書介紹卷積神經(jīng)網(wǎng)絡(luò)的核心——錯綜復(fù)雜的細節(jié)和算法的微妙之處。主要包括卷積神經(jīng)網(wǎng)絡(luò)的高級主題和使用Keras和TensorFlow的對象檢測。