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。

《眾包學習》系統介紹了眾包學習的概念、應用領域、前沿課題和研究實踐。在基礎知識方面，《眾包學習》介紹了眾包的起源與發展、眾包技術的研究方向，分析眾包模式給機器學習帶來的機遇與挑戰。在前沿技術方面，《眾包學習》詳細闡述了眾包標注真值推斷與面向眾包標注數據的預測模型學習等前沿研究課題。在研究實踐方面，《眾包學習》介紹了面向偏置標注的眾包標簽真值推斷、基於機器學習模型的眾包標簽噪聲處理、眾包標簽利用方法與集成學習模型、基於不確定性度量的眾包主動學習等典型研究案例。

本書通過想要學習深度學習的程序員綾乃和她朋友美緒的對話，逐步講解深度學習中實用的數學基礎知識。內容涉及神經網絡的結構、感知機、正向傳播和反向傳播，以及卷積神經網絡。其中，重點講解了容易成為學習絆腳石的數學公式和符號。同時，還通過實際的Python 編程實現神經網絡，加深讀者對相關數學知識的理解。本書適合對深度學習感興趣、想要從事深度學習相關研究，但是對深度學習和神經網絡相關數學知識感到棘手的讀者閱讀。

本書以PyTorch深度學習的常用技術與真實案例相結合的方式，深入淺出地介紹使用PyTorch實現深度學習應用的重要內容。本書共7章，內容包括深度學習概述、PyTorch深度學習通用流程、PyTorch深度學習基礎、手寫漢字識別、文本生成、基於CycleGAN的圖像風格轉換、基於TipDM大數據挖掘建模平臺實現文本生成等。本書大部分章包含實訓和課後習題，希望通過練習和操作實踐，幫助讀者鞏固所學的內容。本書可以作為高等學校數據科學與大數據技術或人工智能相關專業的教材，也可作為深度學習愛好者的自學用書。

本書以項目實踐作為主線，結合必需的理論知識，以任務的形式進行內容設計，每個任務都包含任務描述及任務實施的步驟，讀者按照實施步驟進行操作就可以完成相應的學習任務，從而不斷提升項目實踐能力。本書主要內容涉及機器學習的基礎知識，模型評估與選擇，回歸、分類、聚類等機器學習算法，數據挖掘的基礎知識，數據分析與應用，以及通過用戶行為分析預測項目學習如何將機器學習與數據挖掘應用到實際中。本書適合使用機器學習與數據挖掘技術進行大數據處理的程序員、架構師和產品經理作為技術參考和培訓資料，也可作為高校本科生和研究生的教材。

隨著人工智能技術的廣泛應用，網絡智能化近年來受到廣泛的關注，已經成為下一代移動通信與未來網絡的重要技術。阿爾法圍棋(AlphaGo)之後，深度強化學習不斷推陳出新，為網絡中的決策問題提供了有效的潛在解決方案。本書系統介紹了網絡智能化中深度強化學習的基本理論、算法及應用場景。全書共8章，針對互聯網、移動通信網、邊緣網絡、數據中心等典型網絡，闡述了網絡管理、網絡控制、任務調度等決策需求，深入論述了深度強化學習的模型構建與應用技術。第1章介紹了網絡智能的需求與挑戰；第2章介紹了先進的深度強化學習模型與方法；第3～6章論述了無線接入優化、網絡管理、網絡控制與任務調度等普遍網絡管控任務中，深度強化學習技術的應用方法；第7章和第8章論述了深度強化學習在流媒體控制以及自組織網絡等典型場景中的新研究進展。 本書可為高等院校計算機和通信相關專業的本科生、研究生提供參考，也可供對網絡智能化與深度強化學習領域感興趣的研究人員和工程技術人員參考。

周志華老師的《機器學習》（俗稱“西瓜書”）是機器學習領域的經典入門教材之一。本書是《機器學習公式詳解》（俗稱“南瓜書”）的第2 版。相較於第1 版，本書對“西瓜書”中除了公式以外的重、難點內容加以解析，以過來人視角給出學習建議，旨在對比較難理解的公式和重點內容擴充具體的例子說明，以及對跳步過大的公式補充具體的推導細節。全書共16 章，與“西瓜書”章節、公式對應，每個公式的推導和解釋都以本科數學基礎的視角進行講解，希望能夠幫助讀者快速掌握各個機器學習算法背後的數學原理。本書思路清晰，視角獨特，結構合理，可作為高等院校計算機及相關專業的本科生或研究生教材，也可供對機器學習感興趣的研究人員和工程技術人員閱讀參考

本書是一本全面介紹機器學習方法特別是算法的新書，適合初學者和有一定基礎的讀者。 機器學習可以分成三大類別，監督式學習、非監督式學習和強化學習。三大類別背後的算法也各有不同。監督式學習使用了數學分析中函數逼近方法、概率統計中的極大似然方法。非監督式學習使用了聚類和貝葉斯算法。強化學習使用了馬爾可夫決策過程算法。 機器學習背後的數學部分來自概率、統計、數學分析以及線性代數等領域。雖然用到的數學較多，但是最快捷的辦法還是帶著機器學習的具體問題來掌握背後的數學原理。因為線性代數和概率理論使用較多，本書在最後兩章集中把重要的一些概率論和線性代數的內容加以介紹，如果有需要的同學可以參考。另外，學習任何知識，動手練習加深理解的**方法，所以本書的每一章都配備了習題供大家實踐和練習。

在數字化時代，嵌入式人工智能系統和深度學習等技術變得越來越重要。在嵌入式平臺上進行深度學習推理時會受到計算能力、存儲空間、能耗等資源限制的挑戰。本書從深度學習模型在資源受限的硬件平臺上部署的角度，介紹嵌入式AI系統的基本概念、需求、挑戰，以及其軟硬件解決方案。本書共分為7章。第1章介紹了邊緣計算； 第2章介紹了嵌入式AI系統的基本概念及其面臨的需求與挑戰； 第3章介紹了嵌入式AI系統的硬件解決方案； 第4～6章介紹了嵌入式AI系統的軟件解決方案，包括DNN模型的構建及實現、輕量級DNN模型的構建、模型輕量化方法及實現； 第7章介紹了DNN模型的硬件部署。本書提供了基於Python語言和Torch API的大量代碼解析，並針對Intel系列和NVIDIA系列芯片的硬件部署分別進行介紹。本書適合作為高等院校計算機專業、軟件工程專業的教材，也可供對深度學習、計算機視覺、嵌入式AI系統等感興趣的開發人員、廣大科技工作者和研究人員參考。

本套教材包括主教材《機器學習-工業大數據分析》，一套多媒體課件，一個工業大數據集，一套完整代碼集。由授課教師在進行教學實踐的基礎上，適應當前國內教學改革的需要，結合清華大學《機器學習與大數據》的教學經驗編寫而成。本書以機器學習理論方法和工業大數據實踐為兩條並行主線貫穿整個課程。以經典機器學習、深度學習以及強化學習部分為理論主體，重點介紹方法原理、公式推導、算法設計和分析；以生產系統、交通系統、能源系統、電信系統、醫療系統為主體實踐領域，重點介紹大數據與機器學習方法的聯合應用以及評估。全書共分2篇，分別講述機器學習原理、方法以及在工業大數據領域的應用。本套教材可作為高等院校非計算機類等專業的機器學習課程教材，也可供有關技術人員作為自學用書。

為了掃清讀者對後面章節學習的障礙，本書首先從需要的數學基礎講起，然後以傳統的線性模型為引導，逐步學習支持向量機、深度學習、集成學習等當下比較流行的算法。本書在講清理論知識的同時，注重對學習算法的實現，使讀者知其然又知所以然。本書使用的軟件是R語言，R是開源軟件，獲取方便，操作簡單，對新的學習算法更新速度快。本書適合高等院校人工智能、計算機、自動化、統計學等相關專業的研究生或本科生使用，也可供相關領域的研究人員和工程技術人員參考。

人工智能驅動的組學挖掘是數據驅動的生物醫學研究的支撐技術。組學測序技術逐步向多尺度、跨模態、有擾動等方向發展，但體現出的高維度、高噪聲、多模態、標記稀缺等特點，成為制約其有效挖掘的瓶頸。《組學機器學習》面向生命組學數據特點，較為系統和深入地對組學機器學習的主要研究範式、適用場景、分析方法、理論思想進行介紹。結合相應組學挖掘的具體研究案例，向讀者展示組學人工智能驅動的生命健康交叉研究的絢爛圖景。

深度強化學習理論的提出為機器人控制中的動力學模型建立、環境狀態信息感知等問題提供了豐富的解決思路。本書在現有的深度強化學習算法基礎上，針對機器人控制中的機器人姿態平衡控制、機器人持物平衡控制、機器人抓取控制3個方面的問題展開研究，為基於深度強化學習的機器人控制問題提供一定的理論指導和技術支撐。

本書系統介紹了機器學習的基本內容及其代碼實現，是一本著眼於機器學習教學實踐的圖書。本書包含4個部分：第一部分為機器學習基礎，介紹了機器學習的概念、數學基礎、思想方法和簡單的機器學習算法；第二部分為參數化模型，講解線性模型、神經網絡等算法；第三部分為非參數化模型，主要討論支持向量機和決策樹模型及其變種；第四部分為無監督模型，涉及聚類、降維、概率圖模型等多個方面。本書將機器學習理論和實踐相結合，以大量示例和代碼帶領讀者走進機器學習的世界，讓讀者對機器學習的研究內容、基本原理有基本認識，為後續進一步涉足深度學習打下基礎。本書適合對機器學習感興趣的專業技術人員和研究人員閱讀，同時適合作為人工智能相關專業機器學習課程的教材。