本書全面審視了人工智能(A)的起源、發(fā)展歷程及其在當代社會中的深遠影響。作為一項關(guān)鍵的賦能型技術(shù)，AI在計算機網(wǎng)絡(luò)、網(wǎng)絡(luò)安全、協(xié)作技術(shù)、物聯(lián)網(wǎng)、云計算、量子計算、邊緣計算、無人駕駛等多個前沿技術(shù)領(lǐng)域中發(fā)揮著核心作用，推動著前沿技術(shù)的革新和千行萬業(yè)的數(shù)字化轉(zhuǎn)型。本書旨在為讀者提供一個獨特的視角看待AI，幫助讀者理解AI的
本書致力于探索如何在大規(guī)模深度學習模型訓(xùn)練中，最大限度地提高性能和優(yōu)化顯存使用。本書面向深度學習從業(yè)者，尤其是希望深入了解并提升模型訓(xùn)練效率的工程師與研究人員。隨著深度學習模型和數(shù)據(jù)規(guī)模的迅速增長，如何高效利用硬件資源，減少訓(xùn)練時間，成為當前AI系統(tǒng)工程的關(guān)鍵挑戰(zhàn)。本書從硬件和軟件的基礎(chǔ)知識入手，逐步引導(dǎo)讀者理解和掌握
《PyTorch深度學習項目教程》根據(jù)初學者的學習曲線和職業(yè)生涯成長規(guī)律，由淺入深設(shè)計了5個基礎(chǔ)項目和3個綜合項目�；A(chǔ)項目包括手寫數(shù)字識別、二維曲線擬合、貓狗圖像分類、提升貓狗圖像分類的準確率和文本翻譯，引導(dǎo)讀者使用PyTorch構(gòu)建神經(jīng)網(wǎng)絡(luò)算法框架，深入探討了深度學習數(shù)據(jù)集構(gòu)建、神經(jīng)網(wǎng)絡(luò)模型原理及實現(xiàn)、算法訓(xùn)練與評
本書用科普化的語言介紹了搜索、計算機視聽覺、自然語言處理、機器學習、多模態(tài)信息處理等人工智能系統(tǒng)中的基礎(chǔ)算法和數(shù)學模型，它們是實現(xiàn)人工智能的基礎(chǔ)。展示了人工智能的底層邏輯，人工智能工作的基本規(guī)律。讓讀者真正搞懂如何給機器裝上眼睛和耳朵、如何讓機器理解人類語言、如何讓機器擁有知識、如何讓機器懂邏輯會推理、如何使機器人的言
本書以統(tǒng)一而較簡明的方式介紹人工智能算法在數(shù)值求解復(fù)雜系統(tǒng)中的基本方法及最新進展。首先從人工智能與機器學習的基礎(chǔ)算法開始講解，從最基礎(chǔ)的反向傳播神經(jīng)網(wǎng)絡(luò)模型開始，介紹一些經(jīng)典的機器學習算法的基礎(chǔ)及其原理。然后從一階常微分方程初值問題引入，分別介紹了常微分方程、偏微分方程以及積分微分方程數(shù)值求解的經(jīng)典算法。隨后分別研究了
本書系統(tǒng)闡述了機器學習的基本理論、算法和實現(xiàn)。全書共11章：第1章著重介紹了機器學習的基本知識；第2章介紹了樣本數(shù)據(jù)預(yù)處理和提取的傳統(tǒng)算法(如PCA和LDA)，并增加了流形學習和稀疏表征等理論；第3-8章系統(tǒng)介紹了傳統(tǒng)機器學習算法，如監(jiān)督學習(貝葉斯、最近鄰、線性模型、非線性模型和集成學習)和非監(jiān)督學習(聚類)；第9、
在人工智能飛速發(fā)展的今天，大眾對于這一前沿技術(shù)仍感神秘且難以窺探其深。為此，本書針對人工智能的核心問題進行了深入剖析，旨在幫助讀者揭開其神秘面紗。本書的主要內(nèi)容圍繞以下問題展開：什么是人工智能？人工智能能否解釋其決策？它能否承擔法律責任？它是否具有代理權(quán)？人類應(yīng)該保留對這類系統(tǒng)的何種控制權(quán)，是否取決于所做決策的類型？如
大模型作為人工智能技術(shù)的重要發(fā)展方向，逐漸成為未來科技發(fā)展的重要方向之一�；诖�，本書重點介紹與大模型相關(guān)的基礎(chǔ)知識、原理與技術(shù)。本書分為14章，內(nèi)容包括深度學習基礎(chǔ)、自然語言處理、大模型網(wǎng)絡(luò)結(jié)構(gòu)、大模型訓(xùn)練與優(yōu)化、大模型微調(diào)及相關(guān)應(yīng)用案例等。全書強調(diào)內(nèi)容的科學性與系統(tǒng)性，從大模型歷史發(fā)展脈絡(luò)、理論基礎(chǔ)、構(gòu)建方法到應(yīng)用
本書基于國內(nèi)外對混沌神經(jīng)網(wǎng)絡(luò)的研究成果，提出了一種基于腦電波生物機制的變頻正弦混沌神經(jīng)網(wǎng)絡(luò)（FCSCNN）模型，并通過對該模型的激勵函數(shù)、退火函數(shù)、生物機制、優(yōu)化機制等進行研究，進一步提出了多種衍生模型。本書詳細分析了FCSCNN模型及其衍生模型的混沌動力學特性，通過對解決函數(shù)優(yōu)化、組合優(yōu)化等問題與同類模型進行對比實驗
機器學習雖然在改進產(chǎn)品性能、產(chǎn)品流程和推進研究方面有很大的潛力，但仍面臨一大障礙——計算機無法解釋其預(yù)測結(jié)果。因此，本書旨在闡明如何使機器學習模型及其決策具有可解釋性。本書探索了可解釋性的概念，介紹了許多簡單的可解釋模型，包括決策樹、決策規(guī)則和線性回歸等。本書的重點是模型不可知方法，用于解釋黑盒模型（如特征重要性和累積
書單推薦
