主要內容● 用進化計算解決復雜的設計和分析問題● 調整深度學習超參數● 將Q-Learning應用于深度學習，從而進行深度強化學習● 優化無監督自編碼器的損失函數和網絡架構● 創建一個能夠參與OpenAI Gym游戲的進化智能體
XGBoost是一種經過行業驗證的開源軟件庫，為快速高效地處理數十億數據點提供了梯度提升框架。首先，本書在介紹機器學習和XGBoost在scikit-learn中的應用后，逐步深入梯度提升背后的理論知識。讀者將學習決策樹，并分析在機器學習環境中的裝袋技術，同時學習拓展到XGBoost的超參數；并將從零開始構建梯度提升模型，將梯度提升擴展到大數據領域，同時通過計時器的使用了解速度限制。接著，本書重點探討XGBoost的細節，著重于速度提升和通過數學推導導出參數。通過詳細案例研究，讀者將練習使用sc
這本書將把人工智能、大數據、云、機器人和智能設備作為背景。揭示了人工智能如何幫助企業實現商業價值指數級增長。本書涵蓋了我們為什么需要人工智能，如何開始，以及成功實施所需的框架和重要元素的全部內容。作者展示了其AI可視化版圖，概述了計劃和衡量一個成功的戰略(包括潛在的權衡)所需的構建模塊，涉及了人工智能、機器學習或預測分析，這個模塊目的是指導一項人工智能和大數據不可忽視戰略。人工智能和大數據正在影響著人類工作和生活的方方面面。這本書旨在向企業領導者、創業者、商務人士闡釋如何理解、適應和利
本書以深入淺出的方式介紹近年來人工智能領域最熱門的技術——多模態大模型的技術方法、開源平臺和應用場景，并詳細闡述因果推理、世界模型及多智能體與具身智能等前沿技術領域，有助于讀者全面了解多模態大模型的特點及發展方向，對新一代人工智能技術范式和通用人工智能的發展起到重要推動作用。全書共5章，第1章深入探討最具代表性的大模型結構，第2章深度剖析多模態大模型的核心技術，第3章介紹多個具有代表性的多模態大模型，第4章深入分析視覺問答、AIGC 和具身智能這3個典型應用，第5章探討實現通用人工智能的可行思路
本書詳細介紹邊緣計算和人工智能技術，主要內容包括邊緣計算與人工智能概述、邊緣計算與人工智能基本開發方法、邊緣計算與人工智能模型開發、邊緣計算與人工智能基礎應用開發、邊緣計算與人工智能綜合應用開發。全書采用項目式開發的學習方法，通過貼近日常生活的開發實例，由淺入深地介紹邊緣計算與人工智能的相關知識。本書中的每個案例均有完整的開發過程，并給出了開發代碼，讀者可在這些案例的基礎上快速地進行二次開發。
《ChatGLM3大模型本地化部署、應用開發與微調》作為《PyTorch 2.0深度學習從零開始學》的姊妹篇，專注于大模型的本地化部署、應用開發以及微調等。《ChatGLM3大模型本地化部署、應用開發與微調》不僅系統地闡述了深度學習大模型的核心理論，更注重實踐應用，通過豐富的案例和場景，引導讀者從理論走向實踐，真正領悟和掌握大模型本地化應用的精髓。全書共分13章，全方位、多角度地展示了大模型本地化實戰的完整方案，內容包括大模型時代的開端、PyTorch 2.0深度學習環境搭建、基于gra
本書從人工智能的概念、應用和發展方向對人工智能進行了初步分析，然后對人工智能的基礎知識做了闡述，并在此基礎上引出了人工智能的基礎算法原理，然后對智能極端的模糊算法、神經計算和群集智能算法進行了分析探索。
本書全面介紹了圖神經網絡的基礎和前沿內容，以及圖表示學習的基本概念和定義，并討論了高級圖表示學習方法的發展，旨在幫助研究人員和從業者了解圖神經網絡的基本問題。此外，本書探討了圖神經網絡的幾個前沿主題，包括利用圖數據描述社會科學、化學和生物學等領域的真實數據的關系，還介紹了圖神經網絡的若干前沿趨勢，能夠幫助讀者進一步掌握圖神經網絡所涉及的技術。 本書適合所有想了解圖神經網絡基本問題和技術的人，包括但不限于高等院校計算機專業高年級本科生及研究生、科研人員以及相關從業者。
圖神經網絡不僅能夠解決傳統機器學習方法無法解決的圖數據問題，而且能夠應用于許多實際場景，例如社交網絡、藥物發現、網絡安全、金融風控等。《圖神經網絡基礎、模型與應用實戰》旨在為初學者和實踐者提供一個詳細、全面的入門指南，圍繞圖神經網絡基礎、模型、應用實戰（均采用Python+PyTorch實現）等方面進行介紹。《圖神經網絡基礎、模型與應用實戰》配套示例源碼、數據集、PPT課件。《圖神經網絡基礎、模型與應用實戰》共分9章，內容包括圖神經網絡概述、PyTorch開發環境搭建、數據集的獲取與加載
新書資訊 新書推薦