本書全面、系統(tǒng)地介紹了單機(jī)和分布式圖分析算法的理論基礎(chǔ)、框架、實(shí)戰(zhàn)應(yīng)用等，側(cè)重理論與實(shí)踐相結(jié)合。在內(nèi)容組織上，首先，本書整體介紹圖分析技術(shù)的發(fā)展歷程和現(xiàn)狀，并分析圖分析技術(shù)面臨的挑戰(zhàn)。其次，本書系統(tǒng)介紹了以下內(nèi)容：?jiǎn)螜C(jī)圖分析算法的基本原理、常用場(chǎng)景和基礎(chǔ)解法；分布式圖分析技術(shù)的關(guān)鍵步驟解析及調(diào)優(yōu)策略指導(dǎo)；業(yè)界經(jīng)典的大數(shù)

《PyTorch深度學(xué)習(xí)項(xiàng)目教程》根據(jù)初學(xué)者的學(xué)習(xí)曲線和職業(yè)生涯成長(zhǎng)規(guī)律，由淺入深設(shè)計(jì)了5個(gè)基礎(chǔ)項(xiàng)目和3個(gè)綜合項(xiàng)目�；�礎(chǔ)項(xiàng)目包括手寫數(shù)字識(shí)別、二維曲線擬合、貓狗圖像分類、提升貓狗圖像分類的準(zhǔn)確率和文本翻譯，引導(dǎo)讀者使用PyTorch構(gòu)建神經(jīng)網(wǎng)絡(luò)算法框架，深入探討了深度學(xué)習(xí)數(shù)據(jù)集構(gòu)建、神經(jīng)網(wǎng)絡(luò)模型原理及實(shí)現(xiàn)、算法訓(xùn)練與評(píng)

本書用科普化的語言介紹了搜索、計(jì)算機(jī)視聽覺、自然語言處理、機(jī)器學(xué)習(xí)、多模態(tài)信息處理等人工智能系統(tǒng)中的基礎(chǔ)算法和數(shù)學(xué)模型，它們是實(shí)現(xiàn)人工智能的基礎(chǔ)。展示了人工智能的底層邏輯，人工智能工作的基本規(guī)律。讓讀者真正搞懂如何給機(jī)器裝上眼睛和耳朵、如何讓機(jī)器理解人類語言、如何讓機(jī)器擁有知識(shí)、如何讓機(jī)器懂邏輯會(huì)推理、如何使機(jī)器人的言

本書以統(tǒng)一而較簡(jiǎn)明的方式介紹人工智能算法在數(shù)值求解復(fù)雜系統(tǒng)中的基本方法及最新進(jìn)展。首先從人工智能與機(jī)器學(xué)習(xí)的基礎(chǔ)算法開始講解，從最基礎(chǔ)的反向傳播神經(jīng)網(wǎng)絡(luò)模型開始，介紹一些經(jīng)典的機(jī)器學(xué)習(xí)算法的基礎(chǔ)及其原理。然后從一階常微分方程初值問題引入，分別介紹了常微分方程、偏微分方程以及積分微分方程數(shù)值求解的經(jīng)典算法。隨后分別研究了

本書系統(tǒng)闡述了機(jī)器學(xué)習(xí)的基本理論、算法和實(shí)現(xiàn)。全書共11章：第1章著重介紹了機(jī)器學(xué)習(xí)的基本知識(shí)；第2章介紹了樣本數(shù)據(jù)預(yù)處理和提取的傳統(tǒng)算法(如PCA和LDA)，并增加了流形學(xué)習(xí)和稀疏表征等理論；第3-8章系統(tǒng)介紹了傳統(tǒng)機(jī)器學(xué)習(xí)算法，如監(jiān)督學(xué)習(xí)(貝葉斯、最近鄰、線性模型、非線性模型和集成學(xué)習(xí))和非監(jiān)督學(xué)習(xí)(聚類)；第9、

在人工智能飛速發(fā)展的今天，大眾對(duì)于這一前沿技術(shù)仍感神秘且難以窺探其深。為此，本書針對(duì)人工智能的核心問題進(jìn)行了深入剖析，旨在幫助讀者揭開其神秘面紗。本書的主要內(nèi)容圍繞以下問題展開：什么是人工智能？人工智能能否解釋其決策？它能否承擔(dān)法律責(zé)任？它是否具有代理權(quán)？人類應(yīng)該保留對(duì)這類系統(tǒng)的何種控制權(quán)，是否取決于所做決策的類型？如

大模型作為人工智能技術(shù)的重要發(fā)展方向，逐漸成為未來科技發(fā)展的重要方向之一�；�于此，本書重點(diǎn)介紹與大模型相關(guān)的基礎(chǔ)知識(shí)、原理與技術(shù)。本書分為14章，內(nèi)容包括深度學(xué)習(xí)基礎(chǔ)、自然語言處理、大模型網(wǎng)絡(luò)結(jié)構(gòu)、大模型訓(xùn)練與優(yōu)化、大模型微調(diào)及相關(guān)應(yīng)用案例等。全書強(qiáng)調(diào)內(nèi)容的科學(xué)性與系統(tǒng)性，從大模型歷史發(fā)展脈絡(luò)、理論基礎(chǔ)、構(gòu)建方法到應(yīng)用

本書基于國(guó)內(nèi)外對(duì)混沌神經(jīng)網(wǎng)絡(luò)的研究成果，提出了一種基于腦電波生物機(jī)制的變頻正弦混沌神經(jīng)網(wǎng)絡(luò)（FCSCNN）模型，并通過對(duì)該模型的激勵(lì)函數(shù)、退火函數(shù)、生物機(jī)制、優(yōu)化機(jī)制等進(jìn)行研究，進(jìn)一步提出了多種衍生模型。本書詳細(xì)分析了FCSCNN模型及其衍生模型的混沌動(dòng)力學(xué)特性，通過對(duì)解決函數(shù)優(yōu)化、組合優(yōu)化等問題與同類模型進(jìn)行對(duì)比實(shí)驗(yàn)

機(jī)器學(xué)習(xí)雖然在改進(jìn)產(chǎn)品性能、產(chǎn)品流程和推進(jìn)研究方面有很大的潛力，但仍面臨一大障礙——計(jì)算機(jī)無法解釋其預(yù)測(cè)結(jié)果。因此，本書旨在闡明如何使機(jī)器學(xué)習(xí)模型及其決策具有可解釋性。本書探索了可解釋性的概念，介紹了許多簡(jiǎn)單的可解釋模型，包括決策樹、決策規(guī)則和線性回歸等。本書的重點(diǎn)是模型不可知方法，用于解釋黑盒模型（如特征重要性和累積

"本書深入淺出地介紹了機(jī)器學(xué)習(xí)與大數(shù)據(jù)分析的核心方法，包括無監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)、稀疏學(xué)習(xí)、深度學(xué)習(xí)、集成學(xué)習(xí)及增量學(xué)習(xí)六大部分。書中不僅注重理論推導(dǎo)，還通過豐富的插圖和實(shí)例直觀解釋原理。同時(shí)，提供R與Python兩種語言的實(shí)現(xiàn)方法，方便讀者實(shí)操練習(xí)。書中數(shù)學(xué)符號(hào)與公式詳盡，文字解釋直觀，數(shù)學(xué)推導(dǎo)細(xì)致，使得復(fù)雜原理變得易