"隨著人工智能技術(shù)的發(fā)展，AI工具已經(jīng)成為現(xiàn)代社會不可或缺的重要組成部分，不管是個人還是企業(yè)，如何用AI工具，如何用好AI工具都是大家需要面臨的課題，由于國外大模型的開發(fā)及使用上多少都會受限，如何用好國內(nèi)已有的實用AI工具，這是編寫這本書的契機。 本書從眾多的AI工具中，篩選出了一批可以用智能創(chuàng)作、文本處理、數(shù)據(jù)

"本書全面深入探討了生成內(nèi)容的人工智能（AIGC），系統(tǒng)闡述了其定義、應(yīng)用及未來趨勢。書中分析 了AI如何重塑工作模式與職業(yè)機會，提供了零基礎(chǔ)者的詳盡入門指南，目的是幫助讀者掌握關(guān)鍵技能與 學習路徑。本書具體內(nèi)容包括有效利用ChatGPT的技巧，如Prompt設(shè)計與自定義指令，提升日常溝通與 創(chuàng)作效率；同時，探討

"《深入淺出機器學習：從數(shù)據(jù)到大模型》是一本旨在幫助讀者系統(tǒng)學習機器學習的著作。本書通過深入淺出的方式，將復(fù)雜的機器學習理論和技術(shù)講解得深入淺出。本書從機器學習的基礎(chǔ)開始，為讀者提供了對數(shù)據(jù)處理、特征工程和模型評估等核心概念的全面介紹。讀者將學習如何準備和清洗數(shù)據(jù)，如何選擇和構(gòu)建合適的特征，并學會使用各種評估指標來評估

"本書以模糊計算、神經(jīng)計算、進化計算三大模塊為主，從理論基礎(chǔ)和實踐應(yīng)用兩個維度全面、系統(tǒng)地介紹關(guān)于計算智能的常見算法，并設(shè)計8個上機實驗，以滿足前面章節(jié)內(nèi)容仿真驗證的需要。全書共11章，內(nèi)容分別為緒論、模糊系統(tǒng)理論、模糊系統(tǒng)應(yīng)用、神經(jīng)網(wǎng)絡(luò)理論、支持向量機、深度學習、遺傳算法、遺傳規(guī)劃、蟻群算法、粒子群算法、新型群智能優(yōu)

"本書從數(shù)據(jù)表示學習角度介紹機器學習及其應(yīng)用。全書共7章，分別介紹數(shù)據(jù)表示學習與數(shù)學基礎(chǔ)、傳統(tǒng)降維方法、分布式表示學習和聚類算法、稀疏表示學習、神經(jīng)網(wǎng)絡(luò)中的特征提取、生成式表示學習和對比式表示學習。本書涉及的數(shù)據(jù)表示學習算法的具體應(yīng)用領(lǐng)域包括計算機視覺、自然語言處理以及圖網(wǎng)絡(luò)分析等。本書主要面向廣大從事人工智能、機器學

"本書從基礎(chǔ)概念、歷史沿革、基礎(chǔ)算法、代表性應(yīng)用、前沿進展、跨學科交叉融合等方面全面深入地介紹人工智能，側(cè)重人工智能基礎(chǔ)思維方式的培養(yǎng)和跨學科廣域視野的構(gòu)建。全書以圖片為主并輔以少量文字說明，每節(jié)配有視頻資源，不同學科背景的讀者都可以輕松獲得人工智能的基礎(chǔ)知識。為配合課堂教學，本書配有全套PPT課件、思考與討論、實踐設(shè)

本書以嚴謹?shù)目茖W態(tài)度和圖文結(jié)合的形式，為你展開一幅幅充滿幻想與現(xiàn)實交織的人工智能發(fā)展史畫卷。本書涵蓋了人工智能學科發(fā)展進程的方方面面，從哲學、小說到技術(shù)與工程，還包括許多影響人工智能發(fā)展的其他領(lǐng)域。同時，書中重點介紹了一些人工智能發(fā)展的里程碑事件，如神經(jīng)生物學、腦科學、微電子學和機器人等領(lǐng)域的輝煌成就。本書語言通俗易懂

本書共分8個章節(jié)，內(nèi)容如下：第1章主要介紹人工智能與深度學習的產(chǎn)業(yè)背景與百度EasyDL平臺深度學習應(yīng)用；第2章介紹深度學習所需要安裝的開發(fā)工具及環(huán)境配置；第3章介紹TensorFlow的安裝、張量的基本知識；第4章介紹數(shù)據(jù)集的概念、標注工具的使用、數(shù)據(jù)集的制備；第5章介紹神經(jīng)網(wǎng)絡(luò)前向傳播流程，以及激活函數(shù)、初始化函數(shù)

本書深入剖析機器學習中的概率思維，從基礎(chǔ)理論出發(fā)，結(jié)合經(jīng)典例子，闡述如何將概率思維巧妙應(yīng)用于機器學習算法，幫助讀者理解數(shù)據(jù)背后的規(guī)律與不確定性。除引言外，全書內(nèi)容分為5章，包括貝葉斯定理中的概率思維、樸素貝葉斯算法中的概率思維、極大似然估計和最大后驗估計、貝葉斯網(wǎng)絡(luò)、馬爾可夫鏈和隱馬爾可夫模型。

本書深入剖析機器學習中的線性思維和非線性思維，從基礎(chǔ)理論出發(fā)，結(jié)合經(jīng)典例子，闡述如何將線性思維和非線性思維巧妙應(yīng)用于機器學習算法，幫助讀者理解數(shù)據(jù)背后的規(guī)律與不確定性。除引言外，全書內(nèi)容分為7章，包括線性回歸中的線性思維、感知機分類中的線性思維、邏輯回歸中的線性思維、支持向量機中的線性思維、核方法、高斯核函數(shù)的非線性映