隨著數(shù)字音樂內(nèi)容的迅速增長以及人們對音樂鑒賞需求的日益提升，音樂信息的分類檢索及個性化推薦受到廣大網(wǎng)民和有關從業(yè)人員越來越廣泛的關注,并成為研究及應用的新熱點。本書系統(tǒng)地闡述了機器學習中的常用分類與推薦方法,介紹了網(wǎng)絡音樂自動分類與推薦的理論基礎，重點探討了ＳＶＭ和ＫＮＮ分類算法的改進，以及協(xié)同過濾推薦算法和基于馬爾可

人工智能是一門發(fā)展極其迅速且內(nèi)容豐富的學科，其眾多分支領域都值得大家去探索和學習。《人工智能基礎與進階》分為基礎篇和進階篇兩個篇章。其中，基礎篇內(nèi)容包括了人工智能的基本概念、人工智能的發(fā)展歷史、計算機與環(huán)境感知、簡單幾何形狀的識別、人工智能搜索算法；進階篇則包括大數(shù)據(jù)的定義、知識與推理、回歸與分類、深度學習網(wǎng)絡、感知信

深度學習網(wǎng)絡正變得越來越小。谷歌助理（GoogleAssistant）團隊可以在微控制器上運行只有14KB大小的模型來檢測單詞。這本實用的書將帶你進入TinyML的世界，讓深度學習和嵌入式系統(tǒng)結合在一起，用微小的設備創(chuàng)造出驚奇的事業(yè)。

隨著人工智能技術的發(fā)展，深度學習成為最受關注的領域之一。在深度學習的諸多開發(fā)框架中，TensorFlow是最受歡迎的開發(fā)框架。本書以培養(yǎng)人工智能編程思維和技能為核心，以工作過程為導向，采用任務驅(qū)動的方式組織內(nèi)容。全書共分為8個任務，任務1介紹深度學習的發(fā)展歷程、應用領域以及開發(fā)環(huán)境的搭建過程；任務2介紹TensorFl

本書可作為通識性選修課程的教學用書。本書內(nèi)容包括人工智能的概念、知識工程、確定性和不確定性推理、搜索技術、機器學習、人工神經(jīng)網(wǎng)絡與深度學習、自然語言處理、多智能體系統(tǒng)等。全書弱化理論知識，以了解性內(nèi)容為主。通過本書的學習，可使所有相關專業(yè)學生對人工智能有一個基礎性的認識，方便后續(xù)相關課程的學習。

集成學習方法是一類先進的機器學習方法，這類方法訓練多個學習器并將它們結合起來解決一個問題，在實踐中獲得了巨大成功。全書分為三部分。第一部分主要介紹集成學習的背景知識；第二部分主要介紹集成學習方法的核心知識，包括Boosting、Bagging、RandomForests等經(jīng)典算法，平均、投票和Stacking等模型和方

本書內(nèi)容涵蓋經(jīng)典的有監(jiān)督機器學習算法，無監(jiān)督機器學習算法，深度機器學習算法，闡述從淺層學習到深度學習，從簡單的線性模型到復雜的神經(jīng)網(wǎng)絡非線性模型的原理與應用。書中每個章節(jié)遵循先簡介理論基礎，再構建數(shù)學模型，然后輔以實例分析，從理論到實踐的講解原則。每個章節(jié)可獨立閱讀，也可從前向后，從簡到難，從淺層學習到深度學習，循序漸

全書共分為兩篇：在上篇中，將從浩瀚的數(shù)學海洋中擷取機器學習研究人員最為必須和重要的數(shù)學基礎。內(nèi)容主要包括：微積分（含場論）、數(shù)值計算和常用最優(yōu)化方法、概率論基礎與數(shù)理統(tǒng)計、線性代數(shù)等。在下篇中，將選取機器學習中最為常用的算法和模型進行講解，這部分內(nèi)容將涉及（廣義）線性回歸、圖模型（包含貝葉斯網(wǎng)絡和HMM等）、分類算法（

本書介紹卷積神經(jīng)網(wǎng)絡的核心——錯綜復雜的細節(jié)和算法的微妙之處。主要包括卷積神經(jīng)網(wǎng)絡的高級主題和使用Keras和TensorFlow的對象檢測。

本書通過聚焦于開發(fā)基于神經(jīng)網(wǎng)絡的解決方案來介紹機器學習，首先將從熟悉構建深度學習解決方案所需的概念和技術開始，然后介紹如何創(chuàng)建分類器、構建目標檢測和語義分割神經(jīng)網(wǎng)絡、訓練生成式模型，以及使用TF2.0的工具，如TensorFlowDatasets和TensorFlowHub，加速開發(fā)過程。學完本書之后，讀者將能夠使用T