作為一門應用型學科，機器學習植根于數學理論，落地于代碼實現。這就意味著，掌握公式推導和代碼編寫，方能更加深入地理解機器學習算法的內在邏輯和運行機制。本書在對全部機器學習算法進行分類梳理的基礎之上，分別對監督學習單模型、監督學習集成模型、無監督學習模型、概率模型四個大類共26個經典算法進行了細致的公式推導和代碼實現，旨在幫助機器學習學習者和研究者完整地掌握算法細節、實現方法以及內在邏輯。
告訴你一個不太光彩的秘密:在大多數數據科學項目中，有一半的時間都花在清理和準備數據上了。但還有更好的方法:針對表格數據和關系數據庫進行優化的深度學習技術，無需密集的特性工程，就能提供洞察和分析。學習使用少量的數據過濾、驗證和清洗，就能解鎖深度學習性能的技能。《深度學習處理結構化數據實戰》傳授面向表格數據和關系數據庫的強大數據分析技術。本書從多倫多公交系統的數據集出發，帶你領略用深度學習處理表格化數據的簡易性和便捷性，并教你解決在生產環境中部署模型和監控模型性能等關鍵問題。
本書以實戰為主，通過豐富的實戰案例向讀者介紹深度學習可應用和落地的項目，書中所有案例都基于Python+TensorFlow 2.5+Keras技術，可用于深度學習課程的實戰訓練。本書配套示例源碼、PPT課件、思維導圖、數據集、開發環境與答疑服務。全書共分11章。第1章講解深度學習的概念、流程、應用場景、模型分類和框架選擇，第2~11章列舉深度學習的項目實戰案例，包括手寫體識別、數據集分類、情感分類、文本情感分類、編碼器、漢字拼音轉換、中文文本分類、多標簽文本分類、人臉檢測、人臉識別、語
本書作者對于人工智能的發展、應用和影響問題的研究已有幾年的時間：初關注人工智能的微觀應用問題，對于無人經濟的內涵、分類、發展機制、應用模式等做了一些探索；后來研究興趣轉移到宏觀層面，重點關注人工智能發展對于就業的影響，本書是作者近兩年研究的總結。未來作者將把研究重點轉向人工智能發展背景下的分配問題。隨著人工智能發展導致勞動被大量替代，社會保障制度的完善將成為維持經濟正常運轉和社會穩定的關鍵，當人工智能的發展和應用根本改變了勞動方式、生產方式、資源配置方式、就業結構、經濟制度乃至所有制結構時
大數據時代的到來，為人工智能的飛速發展帶來前所未有的數據紅利。在大數據的喂養下，大量知識不斷涌現，如何有效地發掘這些知識呢？知識圖譜橫空出世。本書是一本講解如何使用TensorFlow 2構建知識圖譜的入門教程，引導讀者掌握基于深度學習的知識圖譜構建概念、理論和方法。 本書分為13章：第1章從搭建環境開始，包含TensorFlow CPU 版本和GPU版本的安裝，并通過一個知識圖譜的例子引導讀者開始學習；第2~4章介紹TensorFlow API的使用；第5章是Dataset API，學習
?我們可以通過軟件和算法獲得真愛嗎？ ?為什么自動駕駛汽車會成為俄羅斯坦克謬論的犧牲品？ ?我們在購買產品時，有多少五星級好評是真實的，有多少是買來的？ ?我們應該相信計算誰應該獲得工作、貸款或社會福利的秘密算法嗎？ ?法官和警察如何越來越依賴非透明的“黑匣子”算法來預測刑事被告是否會再次犯罪或出庭？ ?如果社交媒體平臺的業務是向刊登廣告的品牌方出售我們的注意力和時間，那么社交媒體值得信賴嗎？ ?我們是否應該沉迷于滾動鼠標瀏覽消息，讓身體產生更多的多巴胺？ 在智能世界，算法和人工智能越來越多地
隨著互聯網、物聯網、云計算等技術的不斷發展，許多領域都產生了大量的數據。利用機器學習技術分析海量數據，可以從數據中發現隱含的、有價值的規律和模式，進而用于預測并采取相應動作。在上述背景下，本書從理論、技術和應用三個層面入手，全面講解如何利用機器學習技術解決實際問題。 本書共分26章，內容包括機器學習解決問題流程、問題分析與建模、數據探索與準備、特征工程、模型訓練與評價、模型部署與應用、回歸模型、支持向量機、決策樹、集成學習、K近鄰算法、貝葉斯方法、聚類算法、關聯規則學習、神經網絡基礎、正則
近年來，人工智能發展非常迅速，在可以預見的未來，它必然會強烈沖擊并深刻變革人類既有的生活模式。實際上，除技術問題外，人工智能的邏輯基礎和倫理基礎與哲學之間的關系也十分密切。有鑒于此，本書從與人工智能緊密相關的哲學問題入手，關注如下話題：強人工智能是否可能；近代唯理論和經驗論爭論對于人工智能的影響；蘇聯、日本及歐盟在人工智能發展歷程中的哲學教訓；航空器自動駕駛背后的哲學難題；軍用機器人的倫理是非；儒家與人工智能等。作者從邏輯架構和歷史經驗出發，展望了未來通用人工智能發展的可能性、可行性以及相應的社
深度學習已經進入我們的生活，云計算和大數據為深度學習提供了便利。本書主要講解深度學習中的數學知識、算法原理和實現方法，配套源碼、數據集和開發環境。本書共12章。第1章介紹人類視覺和深度學習的聯系。第2章介紹深度學習中最為重要的梯度下降算法。第3章介紹卷積函數。第4章介紹計算損失函數所使用的交叉熵、決策樹和信息熵。第5章介紹線性回歸和邏輯回歸。第6、7章介紹時間序列模型和生成對抗網絡。第8章介紹TensorFlow框架。第9章介紹推薦算法。第10章介紹深度學習中的標準化、正則化和初始化。第
新書資訊 新書推薦