可解釋AI(Interpretable AI)將教會你識別模型所學習的模式及其產生結果的原因。通過閱讀《可解釋AI實戰(zhàn)（PyTorch版）》，你將掌握一些用于解釋白盒模型(如線性回歸和廣義可加模型)的方法，以及一些用于解釋復雜深度學習模型的方法。可解釋AI是一個快速發(fā)展的領域，本書將該領域的前沿研究簡化為你可以在Python中實現(xiàn)的實際方法。 主要內容 ● 解釋AI模型的技術 ● 最大限度地減少錯誤、偏見、數(shù)據(jù)泄露和概念漂移 ●
《機器學習實戰(zhàn)：視頻教學版》基于Python語言詳細講解機器學習算法及其應用，用于讀者快速入門機器學習。本書配套示例源代碼、PPT課件、教學視頻、教學大綱、習題與答案、作者微信答疑。《機器學習實戰(zhàn)：視頻教學版》共分12章，內容包括機器學習概述、Python數(shù)據(jù)處理基礎、Python常用機器學習庫、線性回歸及應用、分類算法及應用、數(shù)據(jù)降維及應用、聚類算法及應用、關聯(lián)規(guī)則挖掘算法及應用、協(xié)同過濾算法及應用，最后通過3個綜合實戰(zhàn)項目（包括新聞內容分類實戰(zhàn)、泰坦尼克號獲救預測實戰(zhàn)、中藥數(shù)據(jù)分析項
本書共分為三部分，內容包括：概述、基于輿情現(xiàn)象識別視角的網(wǎng)絡輿情預測、政府媒體在網(wǎng)絡輿情演化中的傳播力與影響力研究。具體內容包括：緒論；相關理論與技術概述；面向非均衡事件子集的輿情反轉預測；網(wǎng)絡暴力類輿情事件演化及預測等。
本書為該套叢書的第二卷：計算機視覺。本書主要介紹了深度模型、激活函數(shù)和特征空間；Torchvision、數(shù)據(jù)集、模型和變換；卷積神經網(wǎng)絡、丟棄和學習率調度器；遷移學習和微調流行的模型(ResNet、Inception等)等內容。
本書主要介紹了梯度下降和PyTorch的Autograd；訓練循環(huán)、數(shù)據(jù)加載器、小批量和優(yōu)化器；二元分類器、交叉熵損失和不平衡數(shù)據(jù)集；決策邊界、評估指標和數(shù)據(jù)可分離性等內容。
本書系統(tǒng)介紹了基于強化學習的多智能體協(xié)同技術，涉及進化算法、納什均衡等相關主題，討論了基于強化學習的多智能體協(xié)同理論、一致性學習算法、基于協(xié)同Q學習算法的多智能體規(guī)劃技術等，研究了ICFA方法的優(yōu)越性，將計算時間和結果準確性作為指標進行考核，在多機器人實時攜桿問題中驗證了算法的有效性。并給出了針對多機器人協(xié)同問題的應用實例。本書不僅包含多智能體強化學習協(xié)同研究的最新進展，而且提供了一種相對于傳統(tǒng)方法更加高效的技術路線，并根據(jù)未來的研究趨勢分析本書的應用前景。
本書包含代碼實踐和案例實踐，運用OpenCV、PyTorch等框架工具詳細講解中文車牌識別檢測、采用三元組的FaceNet人臉識別理論與實踐、車道檢測的兩種深度學習思路及煙霧檢測4大實踐項目。相關理論可參考《基于深度學習的目標檢測原理與應用》一書，從而學以致用、融會貫通。
本書系統(tǒng)介紹了推薦算法的知識框架和技術細節(jié)，包括召回、粗排、精排和重排等模塊。第1章從用戶體驗、內容生產和平臺發(fā)展角度介紹為什么需要推薦系統(tǒng)，并闡述推薦系統(tǒng)的分類及整體技術架構。第2章介紹推薦算法模型的基礎——數(shù)據(jù)樣本和特征工程。第3章介紹傳統(tǒng)推薦算法。第4~7章介紹推薦系統(tǒng)中最復雜的部分——精排模塊，包括特征交叉、用戶行為序列建模、Embedding表征學習和多任務學習。第8章介紹召回模塊，并詳細講解非個性化召回和個性化召回算法。第9章介紹粗排模塊，重點講解特征蒸餾和輕量級特征交叉等方法。第1
本書以PyTorch作為深度學習框架，主要包括4部分。第1部分（第1、2章），主要概述PyTorch基礎知識與常見深度學習算法實現(xiàn)，例如，CNN、LSTM，即CNN-LSTM；第2部分（第3～5章）高級神經網(wǎng)絡實現(xiàn)，主要包括常見的深度學習網(wǎng)絡結構，例如CNN、RNN及最新的Transformer等模型；第3部分（第6～9章）生成式AI和深度強化學習，主要包括GAN、GPT和DQN等算法；第4部分（第10～14章）生產中PyTorch落地的幾個關鍵性主題，分布式訓練、自動機器學習管道構建和硬件快速
圖強化學習是深度強化學習的重要分支領域。本書作為該領域的入門教材，在內容上盡可能覆蓋圖強化學習的基礎知識，并提供應用實踐案例。全書共 10章，大致分為三部分：第一部分（第 1～3章）介紹圖強化學習研究對象（復雜系統(tǒng)、圖和復雜網(wǎng)絡）；第二部分（第 4～7章）介紹圖強化學習基礎知識（圖嵌入、圖神經網(wǎng)絡和深度強化學習）；第三部分（第 8～10章）介紹圖強化學習模型框架和應用實踐案例，并進行總結和展望。每章都附有習題并介紹了相關閱讀材料，以便有興
新書資訊 新書推薦