這是一本場(chǎng)景式的機(jī)器學(xué)習(xí)實(shí)踐書，筆者努力做到“授人以漁，而非授人以魚”。理論方面從人工智能（AI）與機(jī)器學(xué)習(xí)（ML）的基本要素講起，逐步展開有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)這三大類模型的應(yīng)用場(chǎng)景與算法原理；實(shí)踐方面通過(guò)金融預(yù)測(cè)、醫(yī)療診斷概率模型、月球登陸器、圖像識(shí)別、寫詩(shī)機(jī)器人、中國(guó)象棋博弈等案例啟發(fā)讀者將機(jī)器學(xué)習(xí)應(yīng)用

因子分解機(jī)模型因?yàn)槟軌蛴行Ы鉀Q高維數(shù)據(jù)特征組合的稀疏問(wèn)題且具有較高的預(yù)測(cè)準(zhǔn)確度和計(jì)算效率，在廣告點(diǎn)擊率預(yù)測(cè)和推薦系統(tǒng)領(lǐng)域被廣泛研究和應(yīng)用。本書對(duì)因子分解機(jī)模型及其相關(guān)模型的研究進(jìn)展進(jìn)行綜述，闡述該模型的靈活性和普適性，對(duì)模型中有待深入研究的難點(diǎn)、熱點(diǎn)及發(fā)展趨勢(shì)進(jìn)行展望。結(jié)合研究成果，進(jìn)一步對(duì)該模型進(jìn)行擴(kuò)展，并將此擴(kuò)展后

本書內(nèi)容涵蓋神經(jīng)工程的各個(gè)方面，較為全面系統(tǒng)地介紹了這門交叉學(xué)科所涉及的重要內(nèi)容。本書分上、下冊(cè)，共20章，重點(diǎn)介紹神經(jīng)工程的應(yīng)用以及研究方向，如腦-機(jī)接口、功能性電刺激、神經(jīng)成像等的基本理論知識(shí)及應(yīng)用。本書遵循從微觀到宏觀，從基礎(chǔ)到應(yīng)用，再到未來(lái)展望的順序進(jìn)行編排。全書的材料來(lái)源于各個(gè)領(lǐng)域**的書籍資料以及近年來(lái)神經(jīng)

本書旨在介紹作者及其研究團(tuán)隊(duì)在分布式優(yōu)化與學(xué)習(xí)理論方面的**研究成果。全書共7章，第1、2章為緒論和相關(guān)數(shù)學(xué)基礎(chǔ)；第3、4章為連續(xù)時(shí)間和基于采樣數(shù)據(jù)的分布式優(yōu)化算法；第5、6章分別為基于群體智能的分布式優(yōu)化算法和分布式機(jī)器學(xué)習(xí)算法；第7章為基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)輸出反饋控制的分布式合作學(xué)習(xí)方案設(shè)計(jì)。本書主要關(guān)注從分布式技術(shù)

本書共八章，內(nèi)容包括：人工智能的基本概念、神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)、TensorFlow、PyTorch、Keras等。

粒計(jì)算是一種模擬人類解決復(fù)雜問(wèn)題的理論方法，是人工智能研究領(lǐng)域的一個(gè)重要分支。本書從覆蓋的角度基于粗糙集理論對(duì)粒計(jì)算理論方法進(jìn)行系統(tǒng)的總結(jié)和歸納，具體內(nèi)容包括：研究覆蓋近似空間中概念近似的各種方法，并給出這些近似方法的主要特點(diǎn)；研究基于覆蓋的知識(shí)表示的知識(shí)粒度層次關(guān)系，從定性比較和量化度量?jī)蓚�(gè)方面進(jìn)行分析；研究多粒度覆

本書內(nèi)容涵蓋神經(jīng)工程的各個(gè)方面，較為全面系統(tǒng)地介紹了這門交叉學(xué)科所涉及的重要內(nèi)容。本書分上、下冊(cè)，共20章，重點(diǎn)介紹神經(jīng)工程的應(yīng)用以及研究方向，如腦-機(jī)接口、功能性電刺激、神經(jīng)成像等的基本理論知識(shí)及應(yīng)用。本書遵循從微觀到宏觀，從基礎(chǔ)到應(yīng)用，再到未來(lái)展望的順序進(jìn)行編排。全書的材料來(lái)源于各個(gè)領(lǐng)域**的書籍資料以及近年來(lái)神經(jīng)

粒子群優(yōu)化算法是一種新的模仿鳥類群體行為的智能優(yōu)化算法，是群體智能優(yōu)化算法的一個(gè)重要分支，已成為國(guó)際上仿生智能計(jì)算領(lǐng)域里的研究熱點(diǎn)和重點(diǎn)之一。本書共6章，分別論述了優(yōu)化問(wèn)題和仿生智能計(jì)算、模仿鳥群覓食行為的粒子群優(yōu)化算法、形式多樣的粒子群優(yōu)化算法、無(wú)速度項(xiàng)的粒子群優(yōu)化算法、分布估計(jì)粒子群優(yōu)化算法和粒子群優(yōu)化算法的應(yīng)用等

本書系統(tǒng)介紹具有不確定性的非線性單變量系統(tǒng)、非線性多變量系統(tǒng)、非線性多變量強(qiáng)耦合系統(tǒng)的自適應(yīng)控制以及自適應(yīng)解耦控制理論和方法。本書大部分內(nèi)容取材于作者多年來(lái)在控制領(lǐng)域取得的研究成果。本書主要內(nèi)容包括非線性單變量多模型神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制、非線性多變量多模型神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制、非線性多變量多模型神經(jīng)網(wǎng)絡(luò)自適應(yīng)閉環(huán)解耦控制、

多智能體系統(tǒng)的協(xié)調(diào)控制問(wèn)題是現(xiàn)代控制領(lǐng)域的一個(gè)研究熱點(diǎn)，本書主要圍繞時(shí)延多智能體系統(tǒng)的包容控制問(wèn)題，介紹了連續(xù)時(shí)間、離散時(shí)間、非線性、一般線性等模型的多智能體系統(tǒng)的包容控制協(xié)議設(shè)計(jì)、系統(tǒng)的穩(wěn)定性分析，給出了系統(tǒng)實(shí)現(xiàn)包容控制在網(wǎng)絡(luò)拓?fù)�、控制參�?shù)、時(shí)間延遲等方面需要滿足的條件。另外，本書還研究了異質(zhì)多智能體系統(tǒng)的協(xié)調(diào)控制和

《智能問(wèn)答與深度學(xué)習(xí)》面向在校學(xué)生或計(jì)算機(jī)軟件從業(yè)人員，由淺入深地介紹了人工智能在文本任務(wù)中的應(yīng)用�！吨悄軉�(wèn)答與深度學(xué)習(xí)》不但介紹了自然語(yǔ)言處理、深度學(xué)習(xí)和機(jī)器閱讀理解等基礎(chǔ)知識(shí)，還簡(jiǎn)述了信息論、人工智能等的發(fā)展過(guò)程。

深度學(xué)習(xí)，特別是深度卷積神經(jīng)網(wǎng)絡(luò)是人工智能的重要分支領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)技術(shù)也被廣泛應(yīng)用于各種現(xiàn)實(shí)場(chǎng)景，在許多問(wèn)題上都取得了超越人類智能的結(jié)果。本書作為該領(lǐng)域的入門書籍，在內(nèi)容上涵蓋深度卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)和實(shí)踐應(yīng)用兩大方面。全書共14章，分為三個(gè)部分：第一部分為緒論；第二部分（第1～4章）介紹卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)、

脈沖神經(jīng)網(wǎng)絡(luò)應(yīng)用精確定時(shí)的脈沖序列表示與處理信息，是新一代人工神經(jīng)網(wǎng)絡(luò)計(jì)算模型。本書系統(tǒng)論述了脈沖神經(jīng)網(wǎng)絡(luò)的基本理論、算法及應(yīng)用。首先介紹了脈沖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)，包括脈沖神經(jīng)元的建模與分析、脈沖神經(jīng)網(wǎng)絡(luò)的模擬策略、神經(jīng)信息的編碼方法、脈沖序列的相似性度量方法等；其次討論了脈沖神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法、進(jìn)化發(fā)育方法以及文化學(xué)

本書是由人工智能一線從業(yè)專家根據(jù)自己日常工作的體會(huì)與經(jīng)驗(yàn)總結(jié)而成的，在對(duì)TensorFlow的基礎(chǔ)知識(shí)、環(huán)境搭建、神經(jīng)網(wǎng)絡(luò)、常用技術(shù)的詳細(xì)講解當(dāng)中穿插了自己實(shí)戰(zhàn)的經(jīng)驗(yàn)與教訓(xùn)。更與眾不同的是，本書詳細(xì)地解析了使用TensorFlow進(jìn)行深度學(xué)習(xí)領(lǐng)域中常用模型的搭建、調(diào)參和部署整個(gè)流程，以及數(shù)據(jù)集的使用方法，能夠幫助您快速

MXNet是亞馬遜（Amazon）的深度學(xué)習(xí)庫(kù)，以簡(jiǎn)單、高效、容易使用而著稱。它擁有類似于Theano和TensorFlow的數(shù)據(jù)流圖，為多GPU裝置提供了良好的配置。本書以MXNet作為研究實(shí)踐平臺(tái)，實(shí)現(xiàn)量化投資交易。書中主要介紹了在MXNet環(huán)境下，利用深度學(xué)習(xí)常用算法，實(shí)現(xiàn)線性、MLP、CNN卷積、GoogLeN

深度學(xué)習(xí)已經(jīng)成為人工智能炙手可熱的技術(shù)，PyTorch是一個(gè)較新的，容易上手的深度學(xué)習(xí)開源框架，目前已得到廣泛應(yīng)用。本書從PyTorch框架結(jié)構(gòu)出發(fā)，通過(guò)案例主要介紹了線性回歸，邏輯回歸，前饋神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)，自編碼模型，以及生成對(duì)抗網(wǎng)絡(luò)。本書作為深度學(xué)習(xí)的入門教材，省略了大量的數(shù)學(xué)模型推導(dǎo)，通過(guò)實(shí)

本書系統(tǒng)地論述了神經(jīng)網(wǎng)絡(luò)的主要理論、控制技術(shù)及應(yīng)用實(shí)例，旨在使讀者理解和熟悉神經(jīng)網(wǎng)絡(luò)及其控制的基本原理和主要應(yīng)用，掌握它的結(jié)構(gòu)和設(shè)計(jì)應(yīng)用方法，主要內(nèi)容包括神經(jīng)網(wǎng)路基礎(chǔ)論、神經(jīng)網(wǎng)絡(luò)控制原理、感知器神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、時(shí)滯神經(jīng)網(wǎng)絡(luò)、CMAC網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)控

人工智能已成發(fā)展趨勢(shì)，而深度學(xué)習(xí)則是其中最有用的工具之一。雖然科技發(fā)展速度迅猛，現(xiàn)在實(shí)用技術(shù)更新?lián)Q代的頻率已經(jīng)迅速到以周來(lái)計(jì)算，但是其背后最為基礎(chǔ)的知識(shí)卻是共通的。本書較為全面地介紹了神經(jīng)網(wǎng)絡(luò)的諸多基礎(chǔ)與進(jìn)階的技術(shù)，同時(shí)還介紹了如何利用神經(jīng)網(wǎng)絡(luò)來(lái)解決真實(shí)世界中的現(xiàn)實(shí)任務(wù)。本書各章的內(nèi)容不僅包括經(jīng)典的傳統(tǒng)機(jī)器學(xué)習(xí)算法與神

本書從跨學(xué)科視角來(lái)看待人工智能這個(gè)技術(shù)性的學(xué)科。圍繞用數(shù)學(xué)模型預(yù)測(cè)未來(lái)這一主題，介紹算法，主要包括現(xiàn)在流行的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，以及算法要解決問(wèn)題本身的復(fù)雜性。復(fù)雜的問(wèn)題，需要復(fù)雜的算法，而算法設(shè)計(jì)背后的老師正是自然界的復(fù)雜性本身。最終，我們上升到自然界解決復(fù)雜性最有利的工具，即人類智能本身，讓讀者從神經(jīng)科學(xué)的角度

本書旨在從理論和技術(shù)上深入介紹智能視覺(jué)感知技術(shù)的原理、技術(shù)、前沿研究?jī)?nèi)容和智能視覺(jué)感知技術(shù)在諸多領(lǐng)域的典型應(yīng)用，為在讀研究生和工程技術(shù)人員學(xué)習(xí)基于計(jì)算機(jī)的機(jī)器視覺(jué)處理的理論、技術(shù)和相關(guān)應(yīng)用奠定基礎(chǔ)。本書的主要內(nèi)容包括智能視覺(jué)感知技術(shù)概述、攝像機(jī)標(biāo)定、視覺(jué)跟蹤、目標(biāo)檢測(cè)、圖像拼接與鑲嵌、圖像增強(qiáng)、電子穩(wěn)像、圖像融合、基于