本書共分8章，系統(tǒng)地介紹了神經(jīng)網(wǎng)絡(luò)盲均衡算法的基本理論及算法形式。首先分析了盲均衡算法的基本原理、均衡準(zhǔn)則、評價指標(biāo)以及與神經(jīng)網(wǎng)絡(luò)的結(jié)合機理。其次，系統(tǒng)研究了前饋神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)、進(jìn)化神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)盲均衡算法的基本原理，推導(dǎo)了算法迭代公式，并進(jìn)行了計算機仿真。最后采用zigzag編碼和前饋神

本書致力于推動人工智能的普及教育，結(jié)合最新的人工智能科學(xué)技術(shù)的發(fā)展成果，使用通俗易懂的語言深入淺出地介紹了人工智能的相關(guān)知識，重點介紹了人工智能的孕育、人工智能的誕生、人工智能的復(fù)蘇、人工智能的高速發(fā)展、人工智能的應(yīng)用分支和哲學(xué)與思考等方面，在每章節(jié)后都有與之對應(yīng)的章節(jié)習(xí)題，供學(xué)習(xí)者學(xué)習(xí)，以強化學(xué)生解決問題的能力。

《機器學(xué)習(xí)實用教程》將根據(jù)高等院校所開設(shè)的《機器學(xué)習(xí)》教學(xué)實踐的要求，結(jié)合重慶工商大學(xué)教學(xué)實踐情況，重點講授重要的機器學(xué)習(xí)理論以及相關(guān)算法的實現(xiàn)。

《人工智能概論——基礎(chǔ)理論、編程語言及應(yīng)用技術(shù)（微課視頻版）》從應(yīng)用出發(fā)，系統(tǒng)介紹人工智能的基本理論、方法和技術(shù)，以及傳統(tǒng)行業(yè)AI化改造的解決方案。全書共8章，內(nèi)容涵蓋人工智能概述、Python基礎(chǔ)、機器學(xué)習(xí)、計算機視覺、語言識別、自然語言處理、知識圖譜和人工智能行業(yè)解決方案。 《人工智能概論——基礎(chǔ)理論、編程語言及

場景化機器學(xué)習(xí)

《人工智能簡史》全面講述人工智能的發(fā)展史，幾乎覆蓋人工智能學(xué)科的所有領(lǐng)域，包括人工智能的起源、自動定理證明、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、自然語言處理、遺傳算法、深度學(xué)習(xí)、強化學(xué)習(xí)、超級智能、哲學(xué)問題和未來趨勢等，以宏闊的視野和生動的語言，對人工智能進(jìn)行了全面回顧和深度點評。 第2版中每章都有新增內(nèi)容，并增加了全新的第13章，

本書的目標(biāo)是幫助讀者全面、系統(tǒng)地學(xué)習(xí)機器學(xué)習(xí)所必須的數(shù)學(xué)知識。全書由8章組成，力求精準(zhǔn)、小地覆蓋機器學(xué)數(shù)學(xué)知識。包括微積分，線性代數(shù)與矩陣論，**化方法，概率論，信息論，隨機過程，以及圖論。本書從機器學(xué)角度講授這些數(shù)學(xué)知識，對它們在該領(lǐng)域的應(yīng)用舉例說明，使讀者對某些抽象的數(shù)學(xué)知識和理論的實際應(yīng)用有直觀、具體的認(rèn)識

本書首先概述人工智能、深度學(xué)習(xí)相關(guān)的基本概念和發(fā)展歷程;然后詳細(xì)介紹深度學(xué)習(xí)的基本理論和算法,包括神經(jīng)網(wǎng)絡(luò)的關(guān)鍵技術(shù)、卷積神經(jīng)網(wǎng)絡(luò)的主要框架和應(yīng)用實例、循環(huán)神經(jīng)網(wǎng)絡(luò)和無監(jiān)督學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò)的模型和應(yīng)用、深層神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法、深度學(xué)習(xí)模型的輕量化方案以及移動端深度學(xué)習(xí)案例;之后闡述強化學(xué)習(xí)的基本理論和算法,包括傳統(tǒng)

在《定性表征——人們?nèi)绾瓮评砗蛯W(xué)習(xí)連續(xù)變化的世界》一書中，KennethD.Forbus提出，定性表征是認(rèn)知科學(xué)非常深奧的關(guān)鍵內(nèi)容之一——如何對我們周圍連續(xù)變化的現(xiàn)象進(jìn)行推理和學(xué)習(xí)。Forbus認(rèn)為，定性表征是人類認(rèn)知的核心，它將連續(xù)現(xiàn)象分解成有意義單元的符號化表征。定性表征為常識推理奠定了基礎(chǔ)，因為它們可以用非常少的

大部分TensorFlow教材應(yīng)用案例少，理論講解比較概括，學(xué)生數(shù)學(xué)基礎(chǔ)薄弱，對人工神經(jīng)網(wǎng)絡(luò)較難入門。本教材介紹TensorFlow的發(fā)展和特點后，通過案例詳細(xì)介紹TensorFlow的使用，著重細(xì)致地講解學(xué)生學(xué)習(xí)中遇到的難點，比如張量的形狀、卷積、池化、交叉熵等。通過案例讓學(xué)生逐層遞進(jìn)地掌握TensorFlow，最后