三民網路書店 中國圖書館分類法 / 工業技術 / 自動化技術、計算機技術 / 自動化基礎理論 / 自動推理、機器學習

本書適合任何想要深入了解深度學習這個迷人領域的人，您不需要具備高級數學和程式設計知識就可以掌握其根本原理。如果您想知道這些工具是如何運作的，並學會自己使用它們，答案盡在書中。而且，如果您已經準備好編寫自己的程序，那麼隨附的Github存儲庫中還有大量補充的Python筆記本可以幫助您。本書講解語言通俗易懂，包含大量的彩色插圖和具有啟發性的類比，以及豐富的現實世界的例子，深入地地解釋了深度學習的關鍵概念，包括： •文本生成器如何創建新穎的故事和文章。•深度學習系統如何在人類遊戲中學習遊戲並獲勝。•影像分類系統如何辨識照片中的物體或人。•如何以對日常生活有用的方式思考機率。•如何使用構成現代人工智慧核心的機器學習技術。各種各樣的智力冒險家都可以使用本書中涵蓋的強大思想來建立智慧系統，幫助我們更好地理解世界和生活在其中的每個人。這就是人工智慧的未來，這本書可以讓你充分想像它的未來。

本書循序漸進地講解了開發深度學習程序的核心知識，並通過具體實例演練了TensorFlow、Keras和Scikit-learn在深度學習方面的開發方法和流程。書中首先介紹了深度學習開發基礎，然後結合實例介紹了加載數據集、監督學習、無監督學習、模型選擇和評估、核心算法、前饋神經網絡、卷積神經網絡的具體應用，最後講解了NBA季後賽預測分析系統開發、AI考勤管理系統開發、AI智能問答系統開發、AI聲音識別系統開發、鮮花識別系統開發、情感文本識別系統開發、實時電影推薦系統開發等內容。

作為第一個戰勝圍棋世界冠軍的人工智能機器人AlphaGo，我們知道其主要工作原理是深度學習。隨著AlphaGo Zero和Alpha Zero的相繼發佈，作為機器學習經典算法之一的強化學習在人工智能領域受到了更多的關注。《強化學習算法入門》就用通俗易懂的語言，按照“原理-公式-程序”的方式對強化學習的基礎知識進行了詳細講解。書中先讓大家從熟悉的“平均值計算”作為切入點學習強化學習的基本概念，然後結合實例學習了函數近似方法、深度強化學習的原理和方法等，比較了各算法的特點和應用，並用Python和MATLAB兩種語言進行了編程實現。 《強化學習算法入門》內容豐富，實踐性強，特別適合高校人工智能相關專業學生，機器學習、深度學習工程師學習強化學習算法。

本書聚焦深度學習算法的基礎理論和核心算法，全面系統地論述深度學習的基礎理論，兼顧人工智能數學基礎知識與領域**原創基礎理論，構建脈絡清晰的人工智能理論體系。本書首先介紹了深度學習的相關數學基礎，主要包括線性代數、概率論、信息論三部分；緊接著系統地介紹了深度學習的重點內容，主要分為五方面，即深度學習的逼近理論，深度學習的表徵理論，深度學習的學習理論，深度學習的優化理論，深度學習的核心算法。

《MediaPipe機器學習跨平臺框架實戰》以實際項目為線索，帶領讀者探索MediaPipe在不同場景中的應用，使讀者既能瞭解理論知識，又能通過實踐掌握技能。全書共9章，第1章介紹MediaPipe基礎；第2章重點探討MediaPipe的控制流、同步機制以及GPU的使用；第3章介紹MediaPipe中的Facemesh，探討其在增強現實、AR濾鏡和視頻會議軟件中的應用；第4章將MediaPipe與遊戲控制相結合，介紹如何在體感遊戲中應用MediaPipe技術；第5章以AR激光劍效果、火箭發射小遊戲、空中作圖等為例，展示MediaPipe在視覺特效方面的應用；第6章介紹如何使用MediaPipe實現手語識別應用；第7章展示如何通過MediaPipe打造虛擬智能健身教練；第8章通過案例介紹MediaPipe與Unity在遊戲與虛擬現實領域整合應用的強大潛力；第9章展望MediaPipe的未來，為讀者提供了對這一技術的更深層次的認識和思考。《MediaPipe機器學習跨平臺框架實戰》內容新穎，案例豐富，代碼翔實，不僅適合對機器學習感興趣的程序員、廣大編程愛好者，還適合在校學生、創業者或者普通用戶學習與參考。

機器學習是計算機人工智能的重要研究領域和應用方向，本書是學習和實踐機器學習的入門教材，基於Python語言，介紹如何使用機器學習的相關算法對數據進行分析。本書在內容上涵蓋機器學習相關基礎知識，在組織編排上循序漸進。全書共11章，分為3個部分：第一部分(第1～3章)為機器學習基礎知識，包括數值計算基礎、數據分析、數據可視化；第二部分(第4～9章)為機器學習算法，包括線性模型、樸素貝葉斯、支持向量機、決策樹、聚類分析和集成學習；第三部分(第10～11章)為實踐項目，包括房價預測和手寫數字識別，每章有5個相對獨立的部分，方便教學使用。

本書主要討論機器學習、神經形態計算和神經網絡的理論及應用，專注於機器學習加速器和硬件開發。本書從傳統的微處理架構發展歷程入手，介紹在後摩爾定律和後丹納德微縮定律下，新型架構的發展趨勢和影響執行性能的各類衡量指標。然後從應用領域、ASIC和特定領域架構三個角度展示了設計特定的硬件實現所需考慮的諸多因素。接著結合機器學習開發過程及其性能提升方法(如模型壓縮、編碼、近似、優化等)介紹硬件實現的細節。最後給出機器學習硬件實現的大量案例，展示機器如何獲得思維能力。

信息檢索是我們理解這個世界的重要手段之一，隨著技術的進步，我們的檢索行為也在不斷變化。伴隨著人工智能時代的到來，大數據的湧現以及萬物互聯的場景對信息的獲取、理解和運用提出了新的需求，特別是大模型的出現，有望重塑信息檢索的架構與技術體系。本書以信息檢索系統架構為抓手，圍繞檢索系統的各個技術模塊展開對神經檢索前沿技術的介紹。一方面，幫助讀者快速瞭解傳統技術的發展現狀；另一方面，深入介紹深度學習技術給該研究問題所帶來的主要變革和前沿成果。由此，讀者可以通過本書較為全面地瞭解信息檢索領域過去與當前發展的面貌。

本書是《Scikit-learn機器學習詳解》（潘風文編著）的進階篇，講解了Sklearn（Scikit-learn）機器學習框架的各種高級應用技術，包括數據集導入工具、集成學習、模型選擇和交叉驗證、異常檢測、管道、 信號分解、模型持久化以及Sklearn系統高級配置。通過本書的學習，讀者可快速掌握Sklearn框架的高級知識，邁入人工智能殿堂的大門。本書適合有志於從事機器學習、人工智能技術開發的人員或愛好者使用，也可作為相關專業的教材。

深度學習是計算機科學的一個重要分支，是一種以人工神經網絡為架構，對數據進行表徵學習的算法的總稱。深度學習是傳統機器學習算法的發展和衍生，相關內容涉及代數、統計學、優化理論、矩陣計算等多個領域。《深度學習理論與實踐》是深度學習的基礎入門級教材，在內容上盡可能覆蓋深度學習算法相關基礎知識。全書共11章，大致可分為三大部分：第一部分(第1～3章)主要介紹機器學習的基礎知識和一些傳統算法；第二部分(第4～8章)主要介紹人工神經網絡等的相關理論、優化算法和各類經典神經網絡模型；第三部分(第9～11章)為進階知識，主要介紹非監督學習和強化學習的相關算法。在學習《深度學習理論與實踐》的過程中，讀者不僅要深入理解相關算法理論，更要多思多練。讀者在閱讀各章節內容後，可基於各章習題鞏固知識，並將理論與實踐結合，基於torch、tensorflow等深度學習平臺在實際任務中演練所學理論知識和技能。本書可作為高等院校計算機或電子信息相關專業的本科生或研究生教材。

本書基於PyTorch，介紹日益普及的演算法與相關套件的使用，例如YOLO(物件偵測)、GAN(生成對抗網路)/DeepFake( 深度偽造)、OCR(辨識圖像中的文字)、臉部辨識、BERT/Transformer 、聊天機器人 (ChatBot)、強化學習 (Reinforcement Learning)、自動語音辦識 (ASR)、知識圖譜 (Knowledge Graph) 等。PyTorch是近年來最流行的深度學習框架，本書採用新的思路來帶初學者來瞭解和使用PyTorch框架，同時帶你入門深度 學習領域。本書通過獨特的編排，保證讀者在閱讀的過程中，可以獲得快速的反饋，進而激發學習的動力。

本書是《動手學深度學習》的重磅升級版本，選用PyTorch深度學習框架，旨在向讀者交付更為便捷的有關深度學習的交互式學習體驗。本書重新修訂《動手學深度學習》的所有內容，並針對技術的發展，新增注意力機制、預訓練等內容。本書包含15章，第一部分介紹深度學習的基礎知識和預備知識，並由線性模型引出基礎的神經網絡――多層感知機；第二部分闡述深度學習計算的關鍵組件、卷積神經網絡、循環神經網絡、注意力機制等大多數現代深度學習應用背後的基本工具；第三部分討論深度學習中常用的優化算法和影響深度學習計算性能的重要因素，並分別列舉深度學習在計算機視覺和自然語言處理中的重要應用。本書同時覆蓋深度學習的方法和實踐，主要面向在校大學生、技術人員和研究人員。閱讀本書需要讀者瞭解基本的Python編程知識及預備知識中描述的線性代數、微分和概率等基礎知識。

本書系統闡述了智能算法在波束形成設計、波達方向估計與聲源定位中的應用。全書分三篇，共11章，主要涉及仿人智能算法、仿生物進化智能算法、群體智能優化算法和深度學習等的原理、方法及實現框架，寬帶波束形成、穩健自適應波束形成、混響背景下波束形成的設計原理與方法，以及寬帶信號波達方向估計與近場聲源定位算法，也給出了智能算法在波束形成器設計、波達方向估計和聲源定位中的應用實例。本書內容涉及較廣，在內容組織上力求系統、科學、合理，特別注重邏輯性，介紹由淺入深，便於自學。本書可作為人工智能、信號處理等相關學科專業的本科生、研究生和教師的參考書，也可作為相關知識領域的科學研究與工程技術人員的參考書。

本書先介紹深度強化學習的基礎知識及相關算法，然後給出多個實戰項目，以期讓讀者可以根據環境的直接反饋對智能體加以調整和改進，提升運用深度強化學習技術解決實際問題的能力。本書涵蓋深度Q網絡、策略梯度法、演員-評論家算法、進化算法、Dist-DQN、多智能體強化學習、可解釋性強化學習等內容。本書給出的實戰項目緊跟深度強化學習技術的發展趨勢，且所有項目示例以Jupter Notebook樣式給出，便於讀者修改代碼、觀察結果並及時獲取經驗，能夠帶給讀者交互式的學習體驗。本書適合有一定深度學習和機器學習基礎並對強化學習感興趣的讀者閱讀。

本書旨在介紹機器學習算法的理論基礎和高級實踐案例，理論部分介紹了機器學習項目體系搭建路徑，包括業務場景拆解、特徵工程、模型評估和選型、模型優化；實踐部分介紹了業界常見的業務場景，包括計算廣告、供需預測、智能營銷、動態定價。隨書附贈所有案例源碼，獲取方式見封底。

關於深度學習的論文、書籍、網站、博客等資料非常之多，如何學習呢？目前，本書的目標群體是計算機視覺領域的一年級研究生，他們對深度學習及其先行知識，如矩陣分析、概率論、最優化、機器學習，有一定的概念。本書將以實踐的形式，帶領學生直觀地感受和領略深度學習的技術和知識。深度神經網絡模型能很快地被訓練、測試，然後被產業界部署從而有效完成現實世界中的任務。在小體積、低功耗的AI計算平臺上部署這類系統是很受產業界歡迎的。相比我們熟知的CPU、GPU， TPU更適於深度學習計算。本書將講述如何在北京比特大陸科技有限公司的SE3嵌入式AI平臺上部署深度學習算法。SE3是該公司一系列適於深度學習部署應用的TPU系統之一，於2019年推出。SE3的核心是一顆稱為BM1682的TPU芯片，可以提供高達3TFLOPs的單精度浮點算力。本書分為兩部分。第一部分講述如何搭建進行深度學習實踐的環境，包括Linux、Python、OoenCV、TensorFlow、PyTorch的簡單使用，以入門實驗的形式給出。第二部分介紹深度學習技術，包括分類、檢測和分割網絡，各自配有專門的實驗並在SE3小盒子上如何實現。最終，學生可以學習完成深度學習模型的訓練、測試和在SE3上實現的整個流程：(1)在PC上，訓練模型 + 測試模型 + 轉換成SE3運行所需的模型 + 加載模型到SE3；(2)在SE3上，視頻數據經硬件加速模塊輸入 + TPU執行模型 + VPP預處理或後處理 + 向PC機上傳算法結果。