人工智能(AI) - 第5页

《深度学习》由全球知名的三位专家 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 撰写，是深度学习领域奠基性的经典教材。全书的内容包括 3 个部分：第 1 部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第 2 部分系统深入地讲解现今已成熟的深度学习方法和技术；第 3 部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研

虽然很多深度学习工具都使用Python，但PyTorch 库是真正具备Python 风格的。对于任何了解NumPy 和scikit-learn 等工具的人来说，上手PyTorch 轻而易举。PyTorch 在不牺牲高级特性的情况下简化了深度学习，它非常适合构建快速模型，并且可以平稳地从个人应用扩展到企业级应用。由于像苹果、Facebook和摩根大通这样的公司都使用PyTorch，所以当你掌握了Py

◆本书系统介绍了机器学习的基本内容及其代码实现，是一本着眼于机器学习教学实践的图书。◆本书适合对机器学习感兴趣的专业技术人员和研究人员阅读，同时适合作为人工智能相关专业机器学习课程的教材。◎编辑推荐：·名家作品：上海交通大学ACM班创办人俞勇教授、博士生导师张伟楠副教授、APEX实验室博士生赵寒烨编写；·多位业内大咖力荐：周志华|朱军|李文新|黄萱菁|刘铁岩|陈天奇；·理论扎实：基于上交大ACM

这本书是深度学习领域的入门教材，系统地讲解了深度学习的知识体系，由浅入深阐述了深度学习基础知识、主要模型及部分前沿研究热点。冀使读者能有效地掌握相关知识，具备用深度学习技术解决大数据问题的能力。全书共 15 章。第1 章绪论，介绍人工智能、机器学习、深度学习的概要。第2、3章介绍了机器学习的基础知识。第4、5、6章分别讲述三种主要的神经网络模型：前馈神经网络、卷积神经网络和循环神经网络。第7章介绍

深度学习“四大名著”之一、Python机器学习入门教程。本书是使用Python进行机器学习和深度学习的全面指南。它既可以用作清晰的分步教程，也可以作为构建机器学习系统时常用的参考手册。本书包含清晰的解释、图表和工作示例，全面深入地介绍了机器学习的基本技术，并且给出了机器学习背后的原理，使你可以自己建立模型和应用程序。第3版结合TensorFlow 2和scikit-learn的新版本进行了更新，涵

本书由中科院计算所、软件所的专家学者倾心写就，以“图像风格迁移”应用为例，全面介绍智能计算系统的软硬件技术栈。第2版以大模型为牵引进行更新，第1章回顾人工智能、智能计算系统的发展历程，第2、3章在介绍深度学习算法知识的基础上增加了大模型算法的相关知识，第4章介绍深度学习编程框架PyTorch的发展历程、基本概念、编程模型和使用方法，第5章介绍编程框架的工作原理，第6章回顾深度学习所用的处理器结构从

适读人群 ：本书适合对Agent技术感兴趣或致力于投身该领域的研究人员、开发人员、企业负责人，以及高等院校相关专业师生等阅读。本书根据李宏毅老师“机器学习”公开课中与深度学习相关的内容编写而成，介绍了卷积神经网络、Transformer、生成模型、自监督学习（包括 BERT 和 GPT）等深度学习常见算法，并讲解了对抗攻击、领域自适应、强化学习、元学习、终身学习、网络压缩等深度学习相关的进阶算法。

《深度学习图解》（grokking deep learning）指导你从最基础的每一行代码开始搭建深度学习网络！经验丰富的深度学习专家 Andrew W. Trask 以有趣的图解方式为你揭开深度学习的神秘面纱，使你可亲身体会训练神经网络的每个细节。只需要使用 Python 语言及其最基本的数学库 NumPy，就可以训练出自己的神经网络，借助它观察并理解图像、将文字翻译成不同的语言，甚至像莎士比亚

30 个大模型高频知识点全解析。本书采用独特的一问一答式风格，探讨了当今机器学习和人工智能领域中最重要的 30 个问题，旨在帮助读者了解最新的技术进展。全书共分为五个部分：神经网络与深度学习、计算机视觉、自然语言处理、生产与部署、预测性能与模型评测。每一章都围绕一个问题展开，不仅针对问题做出了相应的解释，并配有若干图表，还给出了练习供读者检验自身是否已理解所学内容。

本书是“鸢尾花数学大系：从加减乘除到机器学习”丛书的最后一册，前六本解决了编程、可视化、数学、 数据方面的诸多问题，而本书将开启机器学习经典算法的学习之旅。本书设置了 24 个话题，对应四大类机器学习经典算法（回归、分类、降维、聚类），覆盖算法包括： 回归分析、多元线性回归、非线性回归、正则化回归、贝叶斯回归、高斯过程、k 最近邻分类、朴素贝叶 斯分类、高斯判别分析、支持向量机、核技巧、决策树、主