本書是新一代人工智能實踐系列教材之一，共分為9章，第1章為引論，第2-7章介紹有監(jiān)督學(xué)習(xí)算法，包括感知機、Logistics回歸、支持向量機、神經(jīng)網(wǎng)絡(luò)決策樹以及貝葉斯模型。第8章介紹無監(jiān)督學(xué)習(xí)算法，第9章討論數(shù)據(jù)的表示和特征降維。本書可作為人工智能專業(yè)、智能科學(xué)與技術(shù)專業(yè)以及計算機類相關(guān)專業(yè)的本科生及研究生學(xué)習(xí)機器學(xué)習(xí)

"本書是計算機領(lǐng)域本科教育教學(xué)改革試點工作計劃（“101計劃”）系列教材之一。本書按照“厚算法基礎(chǔ)、養(yǎng)倫理意識、匠工具平臺、促賦能應(yīng)用”的培養(yǎng)目標(biāo)，以表達與推理、搜索與優(yōu)化、建模與學(xué)習(xí)和倫理與安全為核心，按照如下內(nèi)容進行組織：第1章緒論、第2章知識表達與推理、第3章搜索探尋與問題求解、第4章機器學(xué)習(xí)、第5章神經(jīng)網(wǎng)絡(luò)與深

面對數(shù)字經(jīng)濟背景下大數(shù)據(jù)分析的現(xiàn)實需求，本書分別從經(jīng)濟理論闡述、數(shù)學(xué)原理推導(dǎo)、程序代碼實現(xiàn)三個角度，系統(tǒng)全面地闡釋了各類經(jīng)典機器學(xué)習(xí)模型的理論內(nèi)涵和適用范圍，以及基于Python編程語言進行算法訓(xùn)練、模型測試和參數(shù)調(diào)優(yōu)的具體方法。本書配有A、B兩個附錄，介紹了Python語言基本語法規(guī)則，以及經(jīng)濟大數(shù)據(jù)分析所涉及的Py

XGBoost是一種經(jīng)過行業(yè)驗證的開源軟件庫，為快速高效地處理數(shù)十億數(shù)據(jù)點提供了梯度提升框架。首先，本書在介紹機器學(xué)習(xí)和XGBoost在scikit-learn中的應(yīng)用后，逐步深入梯度提升背后的理論知識。讀者將學(xué)習(xí)決策樹，并分析在機器學(xué)習(xí)環(huán)境中的裝袋技術(shù)，同時學(xué)習(xí)拓展到XGBoost的超參數(shù)；并將從零開始構(gòu)建梯度提升模

本書通過對大眾電子足跡大數(shù)據(jù)的挖掘與分析，從公共事件、智能交通和行為經(jīng)濟學(xué)三個維度探究復(fù)雜社會系統(tǒng)所隱藏的內(nèi)生動力，并通過提出基本假設(shè)、建立理論模型探索這些規(guī)律的產(chǎn)生機制和可能的動力學(xué)影響。本書共6章：第1章系統(tǒng)梳理了“人類行為動力學(xué)”在社會科學(xué)的認(rèn)知及其使用情況，比較了“內(nèi)生動力”與“外在推力”等知識體系對人類行為的

本書詳細(xì)介紹了強化學(xué)習(xí)的理論推導(dǎo)、算法細(xì)節(jié)。全書共12章，包括強化學(xué)習(xí)概述、馬爾可夫決策過程、退化的強化學(xué)習(xí)問題、環(huán)境已知的強化學(xué)習(xí)問題、基于價值的強化學(xué)習(xí)算法、基于策略的強化學(xué)習(xí)算法、AC型算法、基于模型的強化學(xué)習(xí)算法等相關(guān)知識。本書系統(tǒng)性強、概念清晰，內(nèi)容簡明通俗。除了側(cè)重于理論推導(dǎo)，本書還提供了許多便于讀者理解的

主要內(nèi)容●數(shù)據(jù)字典和數(shù)據(jù)治理●數(shù)據(jù)質(zhì)量管控、合規(guī)和分發(fā)●構(gòu)建自動化管道以提高可靠性●數(shù)據(jù)攝取、存儲和分發(fā)●支持生產(chǎn)環(huán)境中的數(shù)據(jù)建模、分析和機器學(xué)習(xí)

本書介紹了深度學(xué)習(xí)的基本理論、工程實踐及其在產(chǎn)業(yè)界的部署和應(yīng)用。在深度學(xué)習(xí)框架的介紹中，書中結(jié)合代碼詳細(xì)講解了經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和基于自注意力機制的Transformer網(wǎng)絡(luò)及其變體。還介紹了這些模型在圖像分類、目標(biāo)檢測、語義分割、欺詐檢測和語音識別等領(lǐng)域的應(yīng)用。此外，書中還涵蓋了深度強化學(xué)習(xí)和生成對抗網(wǎng)

主要內(nèi)容●用進化計算解決復(fù)雜的設(shè)計和分析問題●調(diào)整深度學(xué)習(xí)超參數(shù)●將Q-Learning應(yīng)用于深度學(xué)習(xí)，從而進行深度強化學(xué)習(xí)●優(yōu)化無監(jiān)督自編碼器的損失函數(shù)和網(wǎng)絡(luò)架構(gòu)●創(chuàng)建一個能夠參與OpenAIGym游戲的進化智能體

《ChatGLM3大模型本地化部署、應(yīng)用開發(fā)與微調(diào)》作為《PyTorch2.0深度學(xué)習(xí)從零開始學(xué)》的姊妹篇，專注于大模型的本地化部署、應(yīng)用開發(fā)以及微調(diào)等。《ChatGLM3大模型本地化部署、應(yīng)用開發(fā)與微調(diào)》不僅系統(tǒng)地闡述了深度學(xué)習(xí)大模型的核心理論，更注重實踐應(yīng)用，通過豐富的案例和場景，引導(dǎo)讀者從理論走向?qū)嵺`，真正領(lǐng)悟和