深度學習框架中蘊藏著驚人的技術和有趣的機制，本書旨在揭開這些技術和機制的神秘面紗，幫助讀者正確理解技術，體會它們的有趣之處。為此，本書會帶領讀者從零開始創建一個深度學習框架DeZero。DeZero 是本書原創的框架，它用最少的代碼實現了現代深度學習框架的功能。本書分60 個步驟來完成這個框架，在此過程中，讀者會加深對PyTorch、TensorFlow 和Chainer 等現代深度學習框架的理解，看清深度學習框架的本質。本書沿襲《深度學習入門：基于Python 的
《機器學習中的標記增強理論與應用研究》由東南大學計算機科學與工程學院助理研究員徐寧撰寫。全書聚焦標記端多義性這一當今機器學習領域的熱點問題，針對學習過程中不可避免的信息損失這一突出問題，提出了標記增強的概念，以期在不增加額外數據標注負擔的前提下，挖掘訓練樣本中蘊含的標記重要性差異信息，將邏輯標記轉化為標記分布。《機器學習中的標記增強理論與應用研究》共六章：第1章緒論，介紹了全書的研究背景和研究內容。第2章標記增強研究進展，介紹了標記增強的研究進展。第3章標
本書系統介紹了機器學習常用算法及其應用，在深入分析算法原理的基礎上，結合當前熱門應用場景，向讀者展現了機器學習算法的綜合應用，帶領讀者進入機器學習領域，開啟人工智能行業的大門。 全書共 21 章，分為 3 部分。第 1 部分介紹機器學習基礎算法，包括線性回歸、多項式回歸、邏輯回歸、k-NN、決策樹、k-Means、SVM、隨機森林、樸素貝葉斯、PCA 降維等，針對每個算法給出應用案例，讓讀者既掌握算法原理，又能夠使用算法解決問題。第 2 部分是機器學習基礎算法綜合應用，通過學生分數預測、自閉癥患
本書講解了經典的高級機器學習算法原理與知識，包括常見的監督學習、無監督學習、概率圖模型、核方法、深度神經網絡，以及強化學習等內容，同時更強調動手實踐。所有算法均利用PyTorch計算框架進行實現，并且在各章節配備實戰環節，內容涵蓋點擊率預估、異常檢測、概率圖模型變分推斷、高斯過程超參數優化、深度強化學習智能體訓練等內容。 本書附贈所有案例的源代碼及各類學習資料來源，適合具有一定編程基礎的人工智能愛好者學習，也是相關從業者和研究人員的學習指南。
本書比較全面、系統地介紹了深度強化學習的理論和算法，并配有大量的案例和編程實現。全書核心內容可以分為3部分，第一部分為經典強化學習，包括第2、3、4章，主要內容有動態規劃法，蒙特卡洛法、時序差分法；第二部分為深度強化學習，包括第6、7、8章，主要內容有值函數近似法、策略梯度法、策略梯度法進階；第三部分重點介紹了深度強化學習的經典應用——AlphaGo系列算法。另外，作為理論和算法的輔助，第1章介紹了強化學習的模型，第5章簡單介紹了深度學習和PyTorch編程框架。本書可以作為理工科大學相
《Python機器學習項目實戰》引領大家在構建實際項目的過程中，掌握關鍵的機器學習概念!使用機器學習，我們可完成客戶行為分析、價格趨勢預測、風險評估等任務。要想掌握機器學習，需要有優質的范例、清晰的講解和大量的練習。本書完全滿足這三點! 本書展示了現實、實用的機器學習場景，并全面、清晰地介紹了機器學習的關鍵概念。在學習本書的過程中，讀者將會完成一些引人入勝的項目，比如使用線性回歸預測汽車價格，部署客戶流失預測服務等。讀者將**算法，學習在無服務器系統上部署機器學習應用，以及使用Kubern
使用機器學習技術解決實際應用問題涉及模型的建立、訓練及評估等步驟。優化算法常被用于訓練模型的參數，是機器學習的重要組成部分。機器學習模型的訓練可以建模成無約束優化問題或帶約束優化問題，約束可以為模型增加更多的先驗知識。基于梯度的算法（例如加速梯度法、隨機梯度法等）是求解無約束優化問題的常用方法，而交替方向乘子法（ADMM）則是求解帶約束優化問題的有力工具。《BR》 本書概述了機器學習中ADMM的新進展。書中全面介紹了各種情形下的ADMM，包括確定性和隨機性的算法、集中式和分布式的算法，以及求解
本書知識全面、實用, 共10章, 內容包括深度學習數學基礎, 深度學習基礎模型( 全連接網絡、卷積神經網絡、循環神經網絡、Transformer等) 和實現, 多場景多領域最佳實踐, 模型優化、加速與部署等。
機器學習是人工智能的一個方向。它是一門多領域交叉學科，涉及概率論、統計學、矩陣論、神經網絡、計算機等多門學科。其目標是使用計算機模擬或實現人類學習活動，從現有大量的數據中學習，利用經驗不斷改善系統性能。機器學習步驟一般分為獲取數據、數據預處理、建立模型、模型評估和預測。本書共6章。第1章節主要介紹機器學習的基本概念及其發展史、機器學習分類、常見機器學習算法及其特點；第2章搭建機器學習開發環境，主要包括anaconda\pycharm\python軟件的安裝及使用，以及常見機器學習庫的介紹和安裝使
本書的主體內容包括機器學習概念與特征工程、機器學習技術、模型關系管理，其中，模型關系管理部分主要介紹了弱集成學習、強集成學習和混合專家模型。弱集成學習是指使用機器學習中的弱分類器實現模型準確度和穩定性之間的平衡。強集成學習是指協同特征工程與強分類器形成強集成學習環境。混合專家模型是指通過神經網絡集成和網絡結構設計形成深度學習框架。本書以案例分析為主線介紹不同的集成學習方法，首先闡述弱集成學習如何解決項目痛點問題，然后以痛點為起點，集中討論強集成學習如何解構子項目問題，最后通過深度學習分析非
新書資訊 新書推薦