人工智能(AI) - 第8页

周志华⽼师的《机器学习》（俗称“⻄⽠书”）是机器学习领域的经典⼊⻔教材之⼀。本书是《机器学习公式详解》（俗称“南⽠书”）的第2版。相较于第1版，本书对“⻄⽠书”中除了公式以外的重、难点内容加以解析，以过来⼈视⻆给出学习建议，旨在对⽐较难理解的公式和重点内容扩充具体的例⼦说明，以及对跳步过⼤的公式补充具体的推导细节。全书共16章，与“⻄⽠书”章节、公式对应，每个公式的推导和解释都以本科数学视⻆进⾏讲

数字化转型背景下，Python作为一门简单、易学、速度快、免费、开源的主流编程语言，广泛应用于大数据处理、人工智能、云计算等各个领域，是众多高等院校学生的必修基础课程，也是堪与Office办公软件应用比肩的职场人士的必备技能。同时随着数据存储、数据处理等大数据技术的快速进步，机器学习的各种算法在各行各业得以广泛应用，同样成为高校师生、职场人士迎接数字化浪潮、与时俱进提升专业技能的必修课程。本书将“

本书通过有趣的插图和简洁的文字带你漫步在人工智能的世界中，与你分享这个非凡工具带来的惊奇和震撼，同时帮助你了解它如何运行以及它的局限性。 作者在每个章节都揭示了人工智能的某一特性，并充分评估了这一领域的种种可能性。作者还探讨了研究人员面临的挑战及社会人工智能问题等。

本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以下载并运行的 Jupyter记事本，它将文字、公式、图像、代码和运行结果结合在了一起。此外，读者还可以访问并参与书中内容的讨论。全书的内容分为3个部分：第一部分介绍深度学习的背景，提供预备知识，并包括深度学习最基础的概念和技术；第二部分描述深度学习计算的重

自早期以来，神经网络就一直是人工智能的支柱。现在，令人兴奋的新技术（例如深度学习和卷积）正在将神经网络带入一个全新的方向。在本书中，我们将演示各种现实世界任务中的神经网络，例如图像识别和数据科学。我们研究了当前的神经网络技术，包括ReLU 激活、随机梯度下降、交叉熵、正则化、Dropout 及可视化等。

本书旨在为对大语言模型感兴趣的读者系统地讲解相关基础知识、介绍前沿技术。作者团队将认真听取开源社区以及广大专家学者的建议，持续进行月度更新，致力打造易读、严谨、有深度的大模型教材。并且，本书还将针对每章内容配备相关的Paper List，以跟踪相关技术的最新进展。

本书系统地探讨了软件工程从 1.0 到 3.0 的演进历程，深入剖析了软件工程 3.0 的新范式及其核心特征。书中详细介绍了软件工程 3.0 的实施策略和路线图，以及提示工程、RAG、智能体、数据治理、模型工程和安全治理等核心能力的建设。通过对需求分析、架构设计、UI 生成、结对编程、测试智能化和运维监控等关键环节的实践案例分析，全面重塑了软件开发生命周期。 此外，书中还对软件工程的未来进行了展望

统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。本书分为监督学习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和PageRank算法等。本书

本书通过扎实、详细的内容，从理论知识、算法源码、实验结果等方面对深度学习中涉及的算法进行分析和介绍。本书共三篇。 第一篇主要介绍深度学习在目标检测与分割方向的前沿算法，包括双阶段检测、单阶段检测、无锚点检测、特征融合、损失函数、语义分割这 6 个方向； 第二篇主要介绍深度学习在场景文字检测与识别方向的重要突破，主要介绍场景文字检测、场景文字识别这两个阶段的算法； 第三篇主要介绍深度学习的其他算法与

全书共三篇。 第一篇主要介绍深度学习在计算机视觉方向的一些卷积神经网络，从基础骨干网络、轻量级 CNN、模型架构搜索 3 个方向展开，介绍计算机视觉方向的里程碑算法； 第二篇主要介绍深度学习在自然语言处理方向的重要突破，包括基础序列模型和模型预训练； 第三篇主要介绍深度学习在模型优化上的进展，包括模型优化方法。 通过阅读本书，读者可以深入理解主流的深度学习基础算法，搭建起自己的知识体系，领会算法的