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

《深度學習模式與實踐》通過介紹**實踐、設計模式和可複製的架構，指導讀者的深度學習項目從實驗室走向應用。本書收集並闡明了近十年來真實世界中深度學習最緊密的洞察。讀者將通過每個有趣的例子學習相關技能，並建立信心。 《深度學習模式與實踐》深入研究了如何構建成功的深度學習應用程序。通過將經過驗證的模式和實踐應用到自身項目中，讀者將節省數小時的試錯時間。本書通過測試的代碼示例、真實世界示例和出色的敘事風格，使複雜的概念變得簡單和有趣。在此過程中，讀者將學會相關技巧來部署、測試和維護項目。 本書的內容包括： 現代卷積神經網絡 CNN架構的設計模式 移動和物聯網設備模型 大規模模型部署 計算機視覺示例

本書緊密圍繞深度學習及加速技術的基礎理論與應用案例展開敘述，實現了深度學習算法設計與硬件加速技術的有機統一，是一本基礎理論與實踐案例相結合的實用圖書。其具體內容涉及人工智能基本概念，神經網絡數學基礎、神經網絡基本結構與學習策略、反向傳播算法數學原理與訓練機制等神經網絡基礎理論，以及一些高級主題和實踐。本書可作為從事人工智能領域算法研究、架構設計與應用實現等工作的科研人員、工程師以及高等院校師生的參考書籍。

《細說PyTorch深度學習：理論、算法、模型與編程實現》由業界專家編撰，採用理論描述加代碼實踐的思路，詳細介紹PyTorch的理論知識及其在深度學習中的應用。全書分為兩篇，共16章。第一篇為基礎知識，主要介紹PyTorch的基本知識、構建開發環境、卷積網絡、經典網絡、模型保存和調用、網絡可視化、數據加載和預處理、數據增強等內容；第二篇為高級應用，主要介紹數據分類、遷移學習、人臉檢測和識別、生成對抗網絡、目標檢測、ViT等內容。本書內容涵蓋PyTorch從入門到深度學習的各個方面，是一本基礎應用與案例實操相結合的參考書。 《細說PyTorch深度學習：理論、算法、模型與編程實現》理論兼備實例，深入淺出，適合PyTorch初學者使用，也可以作為理工科高等院校本科生、研究生的教學用書，還可作為相關科研工程技術人員的參考書。

本書首先從遷移學習採用的技術出發，系統地介紹每一類遷移學習算法，包括基於非負矩陣分解、概率模型、傳統深度學習、對抗深度學習、模型融合以及圖神經網絡等的遷移學習算法。針對每一類算法，從問題定義、算法原理、算法流程等方面重點進行介紹。然後針對遷移學習的應用場景，介紹典型的應用案例。最後，介紹遷移學習在百度飛槳平臺上的實踐。本書旨在讓遷移學習或者相關領域研究人員系統地掌握遷移學習的各類算法，熟悉各類應用場景，為遷移學習落地實踐提供指導和幫助。

《聯邦學習原理與算法》系統介紹了聯邦學習的全貌，內容豐富，兼顧算法理論與實踐。算法部分包含橫向聯邦、縱向聯邦等不同的數據建模方式，重點討論了聯邦學習由於數據異質性和設備異質性帶來的算法穩定性、隱私性挑戰及其解決策略，這對每一個聯邦學習框架設計者來說都是至關重要但卻容易忽略的部分；實踐部分介紹了當前主流的聯邦學習框架，並進行對比，然後給出相同算法的不同實現供讀者比較。《聯邦學習原理與算法》重點介紹了聯邦學習計算機視覺及推薦系統等方面的應用，方便算法工程師拓展當前的算法框架，對金融、醫療、邊緣計算、區塊鏈等應用也做了詳盡闡述，相信對於研究隱私保護機器學習的計算機相關專業學生和聯邦學習領域的開發者、創業者都有很好的借鑒作用。詳細的代碼以及對現有框架和開源項目的介紹是本書的一大特色。《聯邦學習原理與算法》為讀者提供了全部案例源代碼下載和高清學習視頻，讀者可以直接掃描二維碼觀看。

《細說機器學習：從理論到實踐》從數學知識入手，詳盡細緻地闡述機器學習各方面的理論知識、常用算法與流行框架，並以大量代碼示例進行實踐。本書內容分為三篇：第一篇為基礎知識，包括機器學習概述、開發環境和常用模塊、特徵工程、模型評估、降維方法等內容。本篇詳細而友好地介紹機器學習的核心概念與原理，並結合大量示例幫助讀者輕鬆入門。第二篇為算法應用，涵蓋機器學習最重要與高頻使用的模型，包括K-Means聚類、K最近鄰、回歸、決策樹、樸素貝葉斯、支持向量機、神經網絡等內容。本篇不僅詳細講解各個算法的原理，還提供大量注釋詳盡的代碼示例，使這些算法變得直觀易懂。第三篇為拓展應用，包括集成學習、深度學習框架TensorFlow與PyTorch入門、卷積網絡、激活函數以及模型微調與項目實戰。本篇內容更加前沿與高級，帶領讀者跨過機器學習的門檻，進行真實項目的實踐與部署。 《細說機器學習：從理論到實踐》內容豐富、系統且實用，大量相關代碼示例貼近實戰，能夠為讀者學習機器學習打下扎實的基礎，並真正掌握運用這些知識與算法解決實際問題的技能。適合機器學習入門者、大學生、人工智能從業者，以及各行業技術人員和科研人員使用，也可作為培訓機構和大專院校人工智能課程的教學用書。

本書是作者多年在數據智能領域中利用機器學習實戰經驗的理解、歸納和總結。出於“回歸事物本質，規律性、系統性地思考問題”“理論為實踐服務並且反過來充實理論，為更多人服務”的想法和初心，本書系統地闡述了機器學習理論和工程方法論，並結合實際商業場景落地。全書分為3部分。第1部分是機器學習的數學理論理解，這部分不是對於機器學習數學理論的嚴謹推導和證明，更多是對於理論背後的“到底是什麼，為什麼要這樣做”的通俗理解。盡可能通過對應到日常生活中的現象來進行講述。第2部分是機器學習模型、方法及本質，這一部分針對機器學習的方法論及具體的處理過程進行闡述。涉及數據準備、異常值的檢測和處理、特徵的處理、典型模型的介紹、代價函數、激活函數及模型性能評價等，是本書的核心內容。我們學習知識的主要目的是解決問題，特別是對於企業的從業人員，對在商業實戰環境中出現的問題，希望通過機器學習的方式來更好地解決。第3部分是機器學習實例展示。本書內容系統、選材全面、知識講述詳細、易學易用，兼具實戰性和理論性，適合機器學習的初學者與進階者學習使用。

近年來，深度學習在人工智能的發展過程中起到了舉足輕重的作用，而圖神經網絡是人工智能領域的一個新興方向，被稱為圖上的深度學習。 本書詳細介紹了從深度學習到圖神經網絡的基礎概念和前沿技術，包括圖上的深度學習、圖神經網絡的數學基礎、神經網絡學習與算法優化、深度學習基礎、神經網絡中的表示學習、面向圖數據的嵌入表示、初代圖神經網絡、空域及譜域圖卷積神經網絡等內容。為增強可讀性，本書敘述清晰、內容深入淺出、圖文並茂，力求降低初學者的學習難度。 本書既可作為人工智能領域研究和開發人員的技術參考書，也可作為對圖上的深度學習感興趣的高年級本科生和研究生的入門書。

近年來人工智能技術蓬勃發展，人工智能正在改變我們的生活。為了讓讀者在不需要掌握太多數學和計算機科學知識的情況下，能夠快速上手，使用 Python 語言實現常用的機器學習算法，並解決一些實際的問題，我們策劃並出版本書。本書共 14 章，內容涵蓋基本的機器學習概念和環境搭建，目前各個領域中的熱門算法，以及數據預處理、模型評估和文本數據分析等。希望本書可以讓讀者輕鬆入門，在動手實踐的過程中找到樂趣。本書可以作為各大院校人工智能相關專業的教材，也可以作為培訓機構的教材，還適合人工智能技術愛好者自學使用。

本書從基本概念和理論入手，通過近千張圖和簡單的例子由淺入深地講解深度學習的相關知識，且不涉及複雜的數學內容。 本書分為上下兩冊。上冊著重介紹深度學習的基礎知識，旨在幫助讀者建立扎實的知識儲備，主要介紹隨機性與基礎統計學、訓練與測試、過擬合與欠擬合、神經元、學習與推理、數據準備、分類器、集成算法、前饋網絡、激活函數、反向傳播等內容。下冊介紹機器學習的 scikit-learn 庫和深度學習的 Keras 庫(這兩種庫均基於 Python 語言)，以及卷積神經網絡、循環神經網絡、自編碼器、強化學習、生成對抗網絡等內容，還介紹了一些創造性應用，並給出了一些典型的數據集，以幫助讀者更好地瞭解學習。 本書適合想要瞭解和使用深度學習的人閱讀，也可作為深度學習教學培訓領域的入門級參考用書。

本書較為全面地介紹深度學習應用場景下的人工智能產品研發、深度學習數據應用、深度學習基礎應用等內容。全書共10個項目，包括人工智能需求管理、設計人工智能產品、人工智能開發平臺應用、數據采集工程應用、數據處理工程應用、數據標注工程應用、機器學習模型訓練、深度學習框架應用開發、深度學習框架基礎功能應用、深度學習線性回歸模型應用等。本書以滿足企業用人需求為導向、以崗位技能和綜合素質培養為核心，通過理論與實戰相結合的方式，培養能夠根據深度學習項目需求，完成數據的採集、標注、處理等工作，以及機器學習模型訓練、深度學習模型訓練等工作的人才。 本書適用於“1+X”證書制度試點工作中的人工智能深度學習工程應用職業技能等級證書(中級)的教學和培訓，也適合作為中等職業學校、高等職業學校、應用型本科院校人工智能相關專業的教材，還適合作為需充實深度學習應用開發知識的技術人員的參考書。

本書以深度學習在計算機視覺領域的常用技術與案例相結合的方式，深入淺出地介紹計算機視覺的常見任務及實現技術。全書共7章，內容包含概述、圖像處理基本操作、深度學習視覺基礎任務、基於FaceNet的人臉識別實戰、基於 Faster R-CNN 的目標檢測實戰、基於 U-Net 的城市道路場景分割實戰、基於SRGAN 的圖像超分辨率技術實戰等。本書大部分章包含操作實踐代碼和課後習題，希望能夠幫助讀者在計算機視覺基礎任務中應用算法，鞏固所學內容。 本書可以作為高校人工智能相關專業教材，也可以作為從事計算機視覺技術研究的從業者和科技人員的參考用書。對於有一定基礎和經驗的讀者，本書也能幫助他們查漏補缺，深入理解和掌握相關原理及方法，提升解決實際問題的能力。

強化學習作為機器學習及人工智能領域的一種重要方法，在遊戲、自動駕駛、機器人路線規劃等領域得到了廣泛的應用。本書結合了李宏毅老師的“深度強化學習”、周博磊老師的“強化學習綱要”、李科澆老師的“世界冠軍帶你從零實踐強化學習”公開課的精華內容，在理論嚴謹的基礎上深入淺出地介紹馬爾可夫決策過程、蒙特卡洛方法、時序差分方法、Sarsa、Q 學習等傳統強化學習算法，以及策略梯度、近端策略優化、深度Q 網絡、深度確定性策略梯度等常見深度強化學習算法的基本概念和方法，並以大量生動有趣的例子幫助讀者理解強化學習問題的建模過程以及核心算法的細節。此外，本書還提供習題解答以及Python 代碼實現，可以讓讀者進行端到端、從理論到輕鬆實踐的全生態學習，充分掌握強化學習算法的原理並能進行實戰。本書適合對強化學習感興趣的讀者閱讀，也可以作為相關課程的配套教材。

本書將帶你瞭解特徵工程的完整過程，使機器學習更加系統、高效。你會從理解數據開始學習，機器學習模型的成功正是取決於如何利用不同類型的特徵，例如連續特徵、分類特徵等。你將瞭解何時納入一項特徵、何時忽略一項特徵，以及其中的原因。你還會學習如何將問題陳述轉換為有用的新特徵，如何提供由商業需求和數學見解驅動的特徵，以及如何在自己的機器上進行機器學習，從而自動學習數據中的特徵。

本書系統地闡述了機器學習控制及其策略，全面介紹了當前有關機器學習控制在線性系統、非線性系統和湍流控制中的實驗案例，展望了機器學習控制技術的未來發展和潛在應用。內容包括：反饋控制及其在實際複雜問題中面臨的挑戰；機器學習控制、實現方法及案例；線性控制理論中的幾種經典方法；機器學習控制與經典控制方法的比較；非線性系統的機器學習控制；基於機器學習的流體控制實驗；機器學習控制的戰術與策略；未來機器學習控制的應用及其方法學的發展方向。

本書詳細討論工業背景下機器學習的各個分支及其實現技術，包括矩陣型分類學習技術、多視角學習技術、不平衡數據分類學習技術、集成學習技術和深度學習技術，並在此基礎上，對機器學習在腦電情感識別、聲紋識別和圖像分類等領域的應用做了介紹。本書主要面向對機器學習、人工智能等方向感興趣的學者和從事該方面研究的技術人員、博士、碩士研究生等。

本書主要涉及以下內容：第1部分是神經網絡的基礎，學習如何建立神經網絡，以及如何在數據上面訓練它們。第2部分進行深度學習方面的實踐，學習如何構建神經網絡與超參數調整、正則化，以及一些高級優化算法。第3部分學習卷積神經網絡(CNN)，以及如何搭建模型、有哪些經典模型。它經常被用於圖像領域，此外目標檢測、風格遷移等應用也將涉及。最後在第4部分學習序列模型，以及如何將它們應用於自然語言處理等任務。序列模型講到的算法有循環神經網絡（RNN）、長短期記憶網絡（LSTM）、注意力機制。

本書重點講解基於雲平臺的超參數優化、神經構架搜索以及算法選擇等內容，是自動機器學習的基本任務。介紹了基於三個主要雲服務提供商(包括 Microsoft Azure、Amazon Web Services (AWS) 和 Google Cloud Platform)進行 AutoML，同時部署 ML 模型和管道，具有較強的實用性。在應用場景中評估 AutoML 方面，例如算法選擇、自動特徵化和超參數調整，並區分雲和 OSS 產品等。本書適用於從事機器學習或人工智能方向的數據科學家或工程師學習，也適合學生或行業初學者進行入門學習實踐。

《深度學習的數學》基於豐富的圖示和具體示例，通俗易懂地介紹了深度學習相關的數學知識。第1章介紹神經網絡的概況；第2章介紹理解神經網絡所需的數學基礎知識；第3章介紹神經網絡的最優化；第4章介紹神經網絡和誤差反向傳播法；第5章介紹深度學習和卷積神經網絡。書中使用Excel進行理論驗證，幫助讀者直觀地體驗深度學習的原理。