人工智能(AI) - 第9页

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

《AI 视频创意生成：让你的画面火爆全网》是一部聚焦生成式人工智能与视频创作结合应用的实战指南。全书围绕 AI 技术在视频内容生产中的应用展开，帮助读者了解如何借助智能工具快速完成创意策划、画面生成和视频制作。书中涵盖 AI 文案生成、AI 绘图、AI 视频生成、镜头设计、提示词编写以及短视频内容策划等多个环节，通过案例分析展示从创意构思到作品发布的完整流程。读者能够系统了解 AI 时代内容创作的

本书是“鸢尾花数学大系：从加减乘除到机器学习”丛书中编程板块的第二册。编程板块第一册《编 程不难》着重介绍如何零基础入门 Python 编程， 本书则在《编程不难》基础之上深入探讨如何用 Python 完 成数学任务及板块数据可视化。本书是本系列中的一本真正意义上的“图册”。内容覆盖科技制图、计算机图形学、创意编程、趣味 数学实验、数学科学、机器学习等。本书“毫无节制”地展示数学之美，而且提供特别

DeepSeek 是一种基于 Transformer 架构的生成式 AI（Artificial Intelligence）大模型，融合了MoE 架构、混合精度训练、分布式优化等先进技术，具备强大的文本生成、多模态处理和任务定制化能力。本书系统性地介绍了开源大模型 DeepSeek-V3 的核心技术及其在实际开发中的深度应用。全书分三部分共12章，涵盖理论解析、技术实现和应用实践。第一部分从理论入手

《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》旨在帮助没有任何人工智能技术基础的工程师们全面掌握 AIGC 的底层技术原理，以及大语言模型、扩散模型和多模态模型的原理与实践。本书的核心价值是，首先为想学习各种大模型的读者打下坚实的技术基础，然后再根据自己的研究方向展开深入的学习，达到事半功倍的效果。

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

《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

全书分为两部分 12 章，第 1 部分（第 1～5 章）围绕基础理论与技术解析展开论述，包括基本概念、Transformer 架构、跨模态对齐、模态融合，以及多模态大模型的预训练方法、模型微调与优化等，为理解多模态大模型的构建逻辑奠定基础。 第 2 部分（第 6～12 章）聚集于多模态大模型的高级应用与场景实现，包括主流视觉语言模型（如 CLIP、BLIP-2 等）的实现、跨模态推理与生成的技术应

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

For readers who know Python. Experience developing machine learning models is useful but not essential.中文版地址：《从零构建大模型》Learn how to create, train, and tweak large language models (LLMs) by building one