本書系統(tǒng)闡述遷移學習的解決方法和典型應用。首先，論述了遷移學習的基本概念、方法分類及發(fā)展歷程，介紹了遷移學習的相關基礎知識。然后，探討了遷移學習的基本方法，包括基于樣本、基于特征、基于模型和基于關系的遷移學習方法，闡述了深度遷移學習的經(jīng)典方法，包括神經(jīng)網(wǎng)絡自適應遷移方法和神經(jīng)網(wǎng)絡對抗遷移方法，介紹了更加實用的部分域適應

本書涵蓋人工智能概述、Python編程基礎、TensorFlow機器學習框架、機器學習算法、MNIST數(shù)據(jù)集及神經(jīng)網(wǎng)絡、TensorFlow高級框架、OpenCV開發(fā)與應用等基礎知識，并介紹且搭建了計算機視覺中的手寫數(shù)字識別與人臉識別、自然語言處理中的語音識別與智能聊天機器人具體項目，還介紹并實踐了AI開放平臺的接入與

本書由全球知名的3位專家IanGoodfellow、YoshuaBengio和AaronCourville撰寫，是深度學習領域奠基性的經(jīng)典教材。全書的內(nèi)容包括3個部分：第1部分介紹基本的數(shù)學工具和機器學習的概念，它們是深度學習的預備知識；第2部分系統(tǒng)深入地講解現(xiàn)今已成熟的深度學習方法和技術；第3部分討論某些具有前瞻性的

本書是面向高級人工智能人才培養(yǎng)的高等學校人工智能相關專業(yè)規(guī)劃教材中的一本，通過梳理人工智能涉及的相關數(shù)學理論，并通過Python實現(xiàn)相關案例，使抽象的理論具體化，從而加深讀者對數(shù)學的感性認識，提高讀者對數(shù)學理論的理解能力。本書首先介紹了人工智能所需的基礎數(shù)學理論，然后根據(jù)數(shù)學內(nèi)容的邏輯順序，以微積分、線性代數(shù)、概率論、

創(chuàng)新工場于2017年發(fā)起了面向高校在校生的DeeCamp人工智能訓練營（簡稱DeeCamp訓練營），訓練營內(nèi)容涵蓋學術界與產(chǎn)業(yè)界領軍人物帶來的全新AI知識體系和來自產(chǎn)業(yè)界的真實實踐課題，旨在提升高校AI人才在行業(yè)應用中的實踐能力，以及推進產(chǎn)學研深度結合。本書以近兩年DeeCamp訓練營培訓內(nèi)容為基礎，精選部分導師的授課

數(shù)據(jù)孤島和隱私保護已經(jīng)成為制約人工智能發(fā)展的關鍵因素。聯(lián)邦學習作為一種新型的隱私保護計算方案，在數(shù)據(jù)不出本地的前提下，能有效聯(lián)合各參與方聯(lián)合建模，從而實現(xiàn)“共同富�！保�成為當下人工智能領域備受關注的熱點。本書以實戰(zhàn)為主（包括對應用案例的深入講解和代碼分析），兼顧對理論知識的系統(tǒng)總結。全書由五部分共19章構成。第一部分簡

本書主要根據(jù)作者近年來的研究成果，對網(wǎng)絡嵌入表示學習技術進行梳理和總結，全書深入淺出地介紹了表示學習的基礎理論，及其在網(wǎng)絡對齊、地點推薦、電子健康記錄挖掘等應用方面的前沿技術。具體包括：單/多關系網(wǎng)絡表示理論與技術、基于單關系網(wǎng)絡表示的社交網(wǎng)絡對齊、基于多關系網(wǎng)絡表示學習的知識圖譜對齊、基于網(wǎng)絡表示的電子健康記錄挖掘、

本書主要介紹構建和訓練生成對抗網(wǎng)絡（GAN）的方法。全書共12章，先介紹生成模型以及GAN的工作原理，并概述它們的潛在用途，然后探索GAN的基礎結構（生成器和鑒別器），引導讀者搭建一個簡單的對抗系統(tǒng)。 本書給出了大量的示例，教讀者學習針對不同的場景訓練不同的GAN，進而完成生成高分辨率圖像、實現(xiàn)圖像到圖像的轉(zhuǎn)換、生成對

本書以知識表示與處理所涉及的相關知識，如知識獲取、知識表示、知識推理、知識遷移等內(nèi)容為主體，完整呈現(xiàn)了知識表示與處理的知識體系。本書首先，介紹了知識表示與處理的發(fā)展、相關概念、流程等；其次，介紹了知識獲取的內(nèi)容；再次，重點介紹了知識表示的各種方法，如邏輯謂詞、產(chǎn)生式規(guī)則、語義網(wǎng)絡、本體、知識圖譜等，以及知識推理所涉及的

本書主要面向OpenCV領域的研究與開發(fā)人員，采用原理結合實戰(zhàn)的方式，介紹OpenCV4的機器學習算法模塊與深度神經(jīng)網(wǎng)絡模塊中的核心算法原理與C++編程實戰(zhàn)。全書共10章，第1~3章，介紹OpenCV4的基礎知識、基本圖像操作和機器學習基礎知識；第4~8章，介紹K-means、KNN、決策樹、隨機森林、Boosting