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

數據驅動的在線協作學習分析是提升協作學習效果的重要基礎，是推動在線學習變革的重要力量。本書系統梳理了學習分析的研究現狀，闡釋了協作學習的理論基礎與研究熱點，構建了在線協作學習分析模型――KBS模型，設計了面向學習者和教師的群體感知工具，分別從學習者和教師視角分析了群體感知工具對學習者學習和教師教學的支持與指導，探討了社會調節學習在協作學習中的發生機制，展望了在線協作學習交互分析的發展趨勢，為研究者刻畫了協作學習分析領域的最新理論模型與研究進展，具有較強的理論價值與應用價值。

機器學習是人工智能的核心，而統計思維則是機器學習方法的核心：從隨機性中尋找規律性。例如，利用損失最小化思想制定學習策略，採用概率**化思想估計模型參數，利用方差對不確定性的捕捉構造 k維樹，採用貝葉斯公式構建分類決策模型，等等。只有樹立正確的統計思維，才能準確高效地運用機器學習方法開展數據處理與分析。本書以統計思維的視角，揭示監督學習中回歸和分類模型的核心思想，幫助讀者構建理論體系。具體模型包括線性回歸模型、K近鄰模型、貝葉斯推斷、邏輯回歸模型、**熵模型、決策樹模型、感知機模型、支持向量機、EM算法和提升方法。本書共 12章，緒論介紹貫穿本書的兩大思維模式，以及關於全書的閱讀指南；第 1章介紹一些基本術語，並給出監督學習的流程；第 2章介紹關於回歸問題的機器學習方法；第 3～9章介紹關於分類問題的機器學習方法；第 10章介紹可應用於具有隱變量模型的參數學習算法――EM算法；第 11章簡單介紹集成學習，並重點闡述其中的提升（Boosting）方法。為滿足個性化學習需求的不同需求，本書從核心思想、方法流程及實際案例應用等不同角度，詳細描述各種方法的原理和實用價值，非常適合數據科學、機器學習專業的本科生和研究生學習，也可供相關從業者參考。

本書基於真實數據集，全面系統地闡述現代計算機視覺實用技術、方法和實踐，涵蓋50多個計算機視覺問題。全書分為四部分：第一部分(第1～3章)介紹神經網絡和PyTorch的基礎知識，以及如何使用PyTorch構建並訓練神經網絡，包括輸入數據縮放、批歸一化、超參數調整等；第二部分(第4～10章)介紹如何使用卷積神經網絡、遷移學習等技術解決更複雜的視覺相關問題，包括圖像分類、目標檢測和圖像分割等；第三部分(第11～13章)介紹各種圖像處理技術，包括自編碼器模型和各種類型的GAN模型；第四部分(第14～18章)探討將計算機視覺技術與NLP、強化學習和OpenCV等技術相結合來解決傳統問題的新方法。

內容上，本書力求系統地介紹基於深度學習的圖文多模態信息處理技術，側重介紹最通用、最基礎的技術，覆蓋了多模態表示、對齊、融合和轉換等四大關鍵技術。同時也介紹了多模態信息處理領域的**發展前沿――多模態預訓練模型。此外，為了讓讀者可以實踐這些多模態深度學習技術，本書提供了四個完整的實戰案例，分別對應多模態表示、對齊、融合和轉換這四個關鍵技術。 具體而言，本書的內容分為四個部分：初識多模態信息處理、單模態表示、多模態信息處理的關鍵技術、多模態預訓練模型。 第一部分包括兩個章節：第1章介紹多模態信息的基本概念、難點、使用深度學習方法的動機、多模態信息處理的關鍵技術以及這些技術的發展歷史，第2章介紹若干同時涉及圖像和文本的多模態熱門研究任務。 第二部分包括兩個章節：第3和4章分別介紹了多模態信息處理中常用的文本表示和圖像表示方法。 第三部分包括四個章節：第5、6、7、8章分別介紹面向特定任務的多模態表示、對齊、融合和轉換這四個關鍵技術，且每一章都提供了一個可運行的完整的實戰案例。 第四部分包括一個章節：第9章介紹綜合使用上述關鍵技術，並以學習通用多模態表示為目標的多模態預訓練模型。

這是一本能指導企業利用MLOps技術構建可靠、高效、可複用、可擴展的機器學習模型從而實現AI工程化落地的著作。由國內AI領域的獨角獸企業第四范式的聯合創始人和技術VP領銜撰寫，從工具、技術、企業級應用、成熟度評估4個維度對MLOps進行了全面的講解。本書的主要內容包括如下9個方面：(1)MLOps的核心概念和方法，可以幫助讀者全面瞭解MLOps的基本原理；(2)MLOps涉及的幾種角色，以及這些角色之間如何協作；(3)機器學習項目的基礎知識和全流程，是學習和應用MLOps的基礎；(4)MLOps中的數據處理、主要流水線工具Airflow和MLflow、特徵平臺和實時特徵平臺OpenMLDB、推理工具鏈Adlik，為讀者系統講解MLOps的技術和工具；(5)雲服務供應商的端到端MLOps解決方案；(6)第四範式、網易、小米、騰訊、眾安金融等企業的MLOps工程實踐案例和經驗；(7)MLOps的成熟度模型，以及微軟、穀歌和信通院對MLOps成熟度模型的劃分；(8)針對不同規模的企業和團隊的MLOps最佳實踐，幫助他們量身定做MLOps策略；(9)MLOps的未來發展趨勢，以及如何將新技術融入MLOps實踐中。本書深入淺出、循序漸進地講解了如何在實際項目中利用MLOps進行機器學習模型的部署、監控與優化，以及如何利用MLOps實現持續集成與持續交付等高效的工作流程。通過企業級的MLOps案例和解決方案，幫助讀者輕鬆掌握MLOps的設計思路以及如何應用MLOps解決實際問題。

《機器學習平臺架構實戰》詳細闡述了與機器學習平臺架構相關的基本解決方案，主要包括機器學習和機器學習解決方案架構，機器學習的業務用例，機器學習算法，機器學習的數據管理，開源機器學習庫，Kubernetes容器編排基礎設施管理，開源機器學習平臺，使用AWS機器學習服務構建數據科學環境，使用AWS機器學習服務構建企業機器學習架構，高級機器學習工程，機器學習治理、偏差、可解釋性和隱私，使用人工智能服務和機器學習平臺構建機器學習解決方案等內容。此外，本書還提供了相應的示例、代碼，以幫助讀者進一步理解相關方案的實現過程。

本書基於當前流行的深度學習框架之一――Keras，從新手的角度出發，詳細講解Keras的原理，力求幫助讀者實現Keras從入門到精通。全書共9章，主要內容包括初識深度學習、深度學習的數據預處理技術、使用Keras開發深度學習模型、卷積神經網絡及圖像分類、循環神經網絡在文本序列中的應用、自編碼器、生成式對抗網絡、模型評估及模型優化，以及深度學習實驗項目。本書內容由淺入深、語言通俗易懂，從基本原理到案例應用、從基礎算法到對複雜模型的剖析，讓讀者在循序漸進的學習中理解Keras。 本書可作為高等院校計算機、通信、大數據等專業相關課程的教材，也可作為人工智能、圖像處理、計算機等方向的科研人員和深度學習技術愛好者的參考書。

本書以Keras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Keras進行深度學習的重要內容。全書共7章，內容包括深度學習概述、Keras深度學習通用流程、Keras深度學習基礎、基於RetinaNet的目標檢測、基於LSTM網絡的詩歌生成、基於CycleGAN的圖像風格轉換、基於TipDM大數據挖掘建模平臺實現詩歌生成等。本書大部分章包含實訓和課後習題，通過練習和操作實踐，讀者可以鞏固所學的內容。本書可以作為高校數據科學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。

AIGC的應用領域日益廣泛，而在圖像生成領域，擴散模型則是AIGC技術的一個重要應用。本書以擴散模型理論知識為切入點，由淺入深地介紹了擴散模型的相關知識，並以大量生動有趣的實戰案例幫助讀者理解擴散模型的相關細節。全書共8章，詳細介紹了擴散模型的原理，以及擴散模型退化、採樣、DDIM反轉等重要概念與方法，此外還介紹了Stable Diffusion、ControlNet與音頻擴散模型等內容。最後，附錄提供由擴散模型生成的高質量圖像集以及Hugging Face社區的相關資源。 本書既適合所有對擴散模型感興趣的AI研究人員、相關科研人員以及在工作中有繪圖需求的從業人員閱讀，也可以作為計算機等相關專業學生的參考書。

本書將教你如何使用TensorFlow進行複雜的數據計算，並會讓你比以往任何時候都更深入地挖掘和獲得對數據的見解。在本書的幫助下，你將學到訓練模型、模型評估、回歸分析、表格數據、圖像以及文本處理和預測等內容。你將使用最新版本的穀歌機器學習庫Tens

《深度學習教程》兼顧深度學習的理論和應用，特別強調大規模訓練應用案例，引導學生進人深度學習的前沿領域．主要內容有深度學習的核心理論問題：網絡拓撲結構設計、網絡參數初始化方法. 大規模網絡訓練的優化方法、正則化方法、激活函數的研究方法. 《深度學習教程》引人深度學習在計算機視覺中的大型經典和前沿應用案例，包括圖像分類任務. 目標檢測與跟蹤任務、多源遙感圖像融合任務、超分辨率任務. 圖像隱寫與圖像信息安全任務等內容. 《深度學習教程》擁有豐富的數字化資源，掃描每章末二維碼即可觀看學習.

機器學習(Machine Learning，ML)是人工智能的一個分支，它是一門多領域交叉學科，專門研究計算機怎樣模擬或實現人類的學習行為，涉及概率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。機器學習方法可以根據經驗數據自動完成模型參數學習，而不需要人為設定規則，大幅降低了人工分析的工作量和難度，已成為目前解決人工智能相關問題的主要方式。

PyTorch是一個開源的機器學習框架，它提供了動態計算圖的支持，讓用戶能夠自定義和訓練自己的神經網絡，目前是機器學習領域中****的框架之一。本書基於PyTorch 2.0，詳細介紹深度學習的基本理論、算法和應用案例，配套示例源代碼、PPT課件。《PyTorch？2.0深度學習從零開始學》共分15章，內容包括PyTorch概述、開發環境搭建、基於PyTorch的MNIST分類實戰、深度學習理論基礎、MNIST分類實戰、數據處理與模型可視化、基於PyTorch卷積層的分類實戰、PyTorch數據處理與模型可視化、實戰ResNet卷積網絡模型、有趣的Word Embedding、基於循環神經網絡的中文情感分類實戰、自然語言處理的編碼器、站在巨人肩膀上的預訓練模型BERT、自然語言處理的解碼器、基於PyTorch的強化學習實戰、基於MFCC的語音喚醒實戰、基於PyTorch的人臉識別實戰。《PyTorch？2.0深度學習從零開始學》適合深度學習初學者、PyTorch初學者、PyTorch深度學習項目開發人員學習，也可作為高等院校或高職高專學校計算機技術、人工智能、智能科學與技術、數據科學與大數據技術等相關專業的教材。

本書以Python為基礎，逐步帶領讀者熟悉並掌握機器學習的經典算法。本書共12章，包括Python概述，Python語言基礎，基礎數據結構，函數與模塊，面向對象程序設計，Numpy數據分析，數據可視化，基礎算法分析與實現，機器學習概述，回歸分析，分類算法，聚類算法。 本書內容精練，文字簡潔，結構合理，案例經典且實用，綜合性強，面向機器學習入門讀者，側重提高。本書適合作為高等院校相關專業機器學習入門課程教材或教學參考書，也可以供從事機器學習應用開發的技術人員參考。

《機器學習項目交付實戰》將介紹如何從模型和數據中獲取**性能，幫助你構建穩定的數據管道。通過高效的可複用技術集合，來確保應用程序工作流程的順利執行，以及提高模型的可維護性。基於數十年的良好軟件工程實踐，機器學習工程可確保你的機器學習系統具有彈性、適應性和可執行性。 《機器學習項目交付實戰》將介紹設計、構建和交付成功的機器學習項目的核心原則和上佳實踐。你將瞭解很多軟件工程技術，例如對原型進行實驗和實施模塊化設計，從而產生彈性架構和一致的跨團隊溝通。基於作者豐富的經驗，本書中的每一種方法都被成功地用於解決現實世界中的問題。 ● 根據預期和預算確定機器學習項目的範圍 ● 為你的項目選擇正確的技術路線 ● 使你的代碼庫更易於理解，提升可維護性和可測試性 ● 實現故障排除和日誌系統的自動化

本書作為人工智能專業的入門書，帶領讀者初步學習和實踐機器學習、深度學習的算法、流程和核心技術，並介紹了系統開發及開發環境，通過圖解的方式將難懂的專業術語和算法表現出來，讓沒有相關專業基礎的讀者能夠輕鬆入門。同時，本書還介紹了一些比較常用的網站網絡服務，讓讀者能夠學以致用。本書適合人工智能領域入門讀者，也適合對人工智能感興趣的其他領域讀者學習。

本書全面介紹了擴散模型這種新興的深度生成模型在各個領域的應用，其內容包括AIGC與相關技術、擴散模型基礎、擴散模型的高效採樣、擴散模型的似然最大化、將擴散模型應用於具有特殊結構的數據、擴散模型與其他生成模型的關聯、擴散模型的應用、擴散模型的未來等。本書旨在提供一個情景，幫助讀者深入瞭解擴散模型，確定擴散模型的關鍵研究領域，以及適合未來進一步探索的研究領域。本書適合高等院校計算機科學、人工智能和醫學、生物學等交叉學科專業的師生，以及相關人工智能應用程序的開發人員閱讀。

本書以Python語言作為編程語言，基於工作過程系統化的體例設計，介紹了一些經典而常用的機器學習方法及其編程技術，包括樸素貝葉斯、決策樹、k-NN、聚類、線性回歸、支持向量機(SVM)、神經網絡等。