本書利用精美的插圖和有趣的類比，對深度學習的主流技術和背后的原理進行了深入淺出的講解，解釋了什么是深度學習，深度學習流行的原因，以及深度學習與其他機器學習方法的關系。閱讀本書，讀者可以掌握卷積神經網絡、循環神經網絡、生成式對抗網絡和深度強化學習等熱門技術，學習TensorFlow、Keras和PyTorch等熱門工具的使用，同時能夠更深刻地理解計算機視覺、自然語言處理和游戲等領域的人工智能應用。本書還提供了簡單明了的示例和代碼，能夠幫助讀者動手實踐。 本書適合人工智能、機器學習、深度學習等領域的
近年來，演化計算作為計算智能中傳統的優化技術，已經廣泛應用于求解各種數據挖掘問題，形成了一種基于遺傳的機器學習新范式學習分類器。一方面，在真實場景中采集的原始數據不可避免地包含著冗余乃至噪聲屬性的信息，這些不相關的特征將對學習分類器算法的學習性能與計算效率造成負面影響。另一方面，學習分類
本書主要內容包括機器學習介紹，NumPy、Pandas、SciPy庫、Matplotlib（可視化）四個基礎模塊，Scikit-learn算法、模型、擬合、過擬合、欠擬合、模型性能度量指標、數據標準化、非線性轉換、離散化，以及特征抽取和降維的各種方法，包括特征哈希、文本特征抽取、特征聚合等。全書通過實用范例和圖解形式講解，選材典型，案例豐富，適合從事大數據、數據挖掘、機器學習等人工智能領域開發的各類人員。
本書重點研究機器學習的數學理論。第壹部分探討了在非凸優化問題中，選擇梯度下降步長來避免嚴格鞍點的*優性和自適應性。在第二部分中，作者提出了在非凸優化中尋找局部極小值的算法，并利用牛頓第二定律在一定程度上得到無摩擦的全局極小值。第三部分研究了含有噪聲和缺失數據的子空間聚類問題，這是一個由隨機高斯噪聲的實際應用數據和/或含有均勻缺失項的不完全數據激發的問題。*后，提出了一種新的具有粘性網正則化的VAR模型及其等價貝葉斯模型，該模型既考慮了穩定的稀疏性，又考慮了群體選擇。
本書理論知識體系完備，由淺入深，系統性地介紹了深度學習模型的發展脈絡，以及模型深度設計、模型寬度設計、模型通道維度設計、殘差連接設計、分組卷積設計、多尺度與非正常卷積設計、多輸入網絡設計、時序神經網絡設計、三維卷積網絡設計、動態推理模型與注意力機制設計、生成對抗網絡設計這10類主流的深度學習模型設計思想。同時，本書為各模型設計思想提供了大量的實例，供讀者實戰演練。
本書注重內容的完整性與實用性，既可以作為深度學習與計算機視覺初學者、相關專業的在校學生學習核心算法的
" 機
新書資訊 新書推薦