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

這是一本能指導讀者快速掌握PyTorch和深度學習的著作，從PyTorch的原理到應用，從深度學習到強化學習，本書提供了全棧解決方案。第1版上市後銷量和口碑俱佳，是深度學習領域的暢銷書，被譽為PyTorch領域的標準著作。第2版在第1版的基礎上，去蕪存菁，與時具進，根據PyTorch新版本全面升級，技術性、實戰性、針對性、豐富性、易讀性均得到了進一步提升，必定能幫助讀者更輕鬆、更高效地進入深度學習的世界。全書一共19章，在結構上分為三大部分：第1部分（第1~4章） PyTorch基礎首先有針對性地講解了Python和PyTorch的基石NumPy中的關鍵知識，然後詳細講解了PyTorch的基礎知識、神經網絡工具箱和數據處理工具箱等內容，幫助讀者快速了解和掌握PyTorch。第二部分（第5~10章） 深度學習基礎依次講解了機器學習、視覺處理、自然語言處理、注意力機制、目標檢測、語義分割、生成式深度學習等機器學習和深度學習的核心技術的原理和使用。第三部分（第11~17章） 深度學習實踐通過實戰案例的方式，詳細講解了PyTorch在人臉檢測和識別、遷移學習、中英文互譯、圖像分類、語義分割、生成式網絡、對抗攻擊等領域的應用和解決方案。第四部分（第18-19章） 強化學習重點介紹了強化學習和深度強化學習的基礎理論、常用算法及相關實例。更為重要的是，為了讓本書通俗易懂，在內容安排和寫作方式上也頗花了一番心思。內容選擇上，廣泛涉獵、重點突出、注重實戰；內容安排上，實例切入、由淺入深、循序漸進；表達形式上，深度抽象、化繁為簡、用圖說話。

本書將數學理論與實例相結合，這些實例以最先進的通用機器學習框架為基礎，由Python實現，向讀者介紹更複雜的算法。全書共25章，包括機器學習模型基礎、損失函數和正則化、半監督學習導論、高級半監督分類、基於圖的半監督學習、聚類和無監督學習模型、高級聚類和無監督學習模型、面向營銷的聚類和無監督學習模型、廣義線性模型和回歸、時序分析導論、貝葉斯網絡和隱馬爾可夫模型、最大期望算法、成分分析和降維、赫布學習、集成學習基礎、高級提升算法、神經網絡建模、神經網絡優化、深度卷積網絡、循環神經網絡、自編碼器、生成對抗網絡導論、深度置信網絡、強化學習導論和高級策略估計算法。

本書主要內容有機器學習概述，機器學習的Python常用庫，回歸分析與應用，特徵工程、降維與超參數調優，分類算法與應用，關聯規則，聚類算法與應用，神經網絡，文本分析，圖像數據分析，深度學習入門。

本書基於作者多年的研究成果，介紹了跨數據中心機器學習的訓練系統設計和通信優化技術。全書面向多數據中心間的分布式機器學習系統，針對多數據中心間有限的傳輸帶寬、動態異構資源，以及異構數據分佈三重挑戰，自底向上討論梯度傳輸協議、流量傳送調度、高效通信架構、壓縮傳輸機制、同步優化算法、異構數據優化算法六個層次的優化技術，旨在提升分布式機器學習系統的訓練效率和模型性能，突破跨數據中心機器學習的通信瓶頸和數據壁壘，實現多數據中心算力和數據資源的高效整合。

鑒於小數據和“數據孤島”成為制約人工智能技術發展的關鍵挑戰性問題。本書全方位講解人工智能領域的聯邦學習原理，翔實闡述在平衡智能學習和信息安全的前提下，如何通過加密機制進行模型參數交換，安全地進行人工智能模型訓練，所建立的虛擬共享智能模型與直接聚合所有數據獲得的zui優模型性能相近。除此之外，本書致力於全流程介紹聯邦學習實踐工具，幫助讀者搭建完整的框架平臺以及它們之間的應用關係，推動人工智能技術轉化應用落地；最後本書通過7個實踐案例全維度展現聯邦學習實戰。

該版本對上一版本做了全面修訂和更新，涵蓋.NET 5和C# 9的最新功能，使你能獲得成為一名高效軟件架構師所需的關鍵技能、知識和最佳實踐。新版本包括有關Azure服務結構、Kubernetes和Blazor的新章節，還包括更多關於安全性、微服務和DevOps的討論，包括軟件開發週期的GitHub部署。首先介紹如何將用戶需求轉換為體系結構需求，探索功能性需求和非功能性需求之間的差異。此後探討如何為基礎設施仔細選擇雲解決方案，分析有助於在基於雲的環境中管理應用程序的因素。最後介紹軟件設計模式和各種軟件開發方法，幫你解決開發過程中遇到的常見問題。閱讀本書後，你將能構建和交付滿足組織的業務需求的高度可擴展的企業應用程序。

本書分為三個部分，共14章。第1-4章為第一部分，介紹機器學習基礎知識，包括向量空間、矩陣代數、凸優化等數學預備知識，以及支持向量機、核回歸等經典機器學習技術；第5-9章為第二部分，介紹深度學習的構成要素，包括人工神經網絡與反向傳播、卷積神經網絡、圖神經網絡及歸一化和注意力機制；第10-14章為第三部分，介紹深度學習的高級主題，包括深度神經網絡幾何學、深度學習優化與泛化能力，以及生成模型與無監督學習。

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（俗稱“南瓜書”）基於Datawhale 成員自學“西瓜書”時記下的筆記編著而成，旨在對“西瓜書”中重難點公式加以解析，以及對部分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析都以本科數學基礎的視角進行講解，希望能夠幫助讀者達到“理工科數學基礎扎實點的大二下學期學生”水平。每章都附有相關閱讀材料，以便有興趣的讀者進一步鑽研探索。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。

世界範圍內主要的人工智能玩家有哪些？哪家公司在這場腦力與毅力的角逐中脫穎而出？深度學習革命如何顛覆了整個人工智能領域？人工智能還會經歷第三次寒冬嗎？長期以來，人工智能一直被視為一種遙遠的未來技術，它是一個被委託給科學界邊緣的項目，甚至在歷史上兩次走入絕境，陷入寒冬，直到一些孤注一擲的研究人員用一場新的變革打破了寧靜――深度學習革命。近年來，讓人工智能受到全世界矚目的高調事件，基本上都是基於深度學習的。比如，AlphaGo擊敗了世界圍棋冠軍，自然語言處理催生了智能語音助手，自動駕駛、人臉識別在世界範圍內得到廣泛應用，AI繪畫更是以假亂真、火遍全球……可以說，深度學習已經浸入了我們的日常生活，從邊緣走到了舞臺的中心，正蓄勢待發，即將掀起一場驚人的變革。這是一本講述人工智能，尤其是深度學習的歷史與未來的書。在這本書中，作者講述了一群將深度學習帶給全世界的企業家和科學家的故事，從穀歌、Facebook、百度等大公司的決策者講到學術界的領軍人物――“深度學習三巨頭”，再講到DeepMind、OpenAI等知名實驗室的開創者。讀者可以通過這些人的故事，跟隨現代人工智能的發展腳步，從人工智能研究的萌芽階段開始，穿過兩次人工智能的寒冬，一直瞭解到當下全新的前沿進展。通過描繪人工智能的發展脈絡和各大科技公司在前沿趨勢方面的佈局，這本書闡釋了人工智能如何走到了今天，以及它在未來將如何發展。

PyTorch是Facebook於2017年初在機器學習和科學計算工具Torch的基礎上，針對Python語言發佈的一個全新的機器學習工具包，一經推出便受到了業界的廣泛關注和討論，目前已經成為機器學習從業人員的研發工具。《PyTorch深度學習》是使用PyTorch構建神經網絡模型的實用指南，內容分為9章，包括PyTorch與深度學習的基礎知識、神經網絡的構成、神經網絡的知識、機器學習基礎知識、深度學習在計算機視覺中的應用、深度學習在序列數據和文本中的應用、生成網絡、現代網絡架構，以及PyTorch與深度學習的未來走向。《PyTorch深度學習》適合對深度學習領域感興趣且希望一探PyTorch的業內人員閱讀；具備其他深度學習框架使用經驗的讀者，也可以通過本書掌握PyTorch的用法。

本書將通過高級示例幫助讀者應用R語言實現深度學習算法。它涵蓋了各種神經網絡模型，如人工神經網絡、卷積神經網絡、循環神經網絡、長短期記憶網絡和其他採用專家技術的模型。在閱讀本書的過程中，讀者將利用Keras-R、TensorFlow-R等流行的深度學習庫來實現人工智能模型。

孫光靈李豔秋著內容簡介作為一類先進的機器學習方法，多分類器集成技術將多個單體學習器按照一定的規則集成起來，充分利用個體學習器之間的互補性，以取得更好的泛化能力和健壯性。全書分為三部分，第一部分主要介紹集成學習的相關背景，即關於分類器的相關基礎理論。第二部分主要介紹集成學習方法的核心知識，諸如多分類器集成的框架、集成規則和性能評估等理論；Boosting、Bagging、Stacking和隨機森林（RandomForests）等經典算法；除此之外，還介紹典型的動態集成方法以及集成聚類算法相關基本概念。第三部分介紹集成學習方法的擴展議題，給出集成學習在半監督學習、主動學習和類別不平衡學習等領域的應用。本書的主要受眾是具有一定機器學習和模式識別基礎知識的讀者，也供機器學習和模式識別愛好者閱讀參考。

本書的寫作初衷是，從學者的角度，用一種通俗易懂的方式，將基於深度學習的目標檢測的相關論文中的理論和方法呈現給讀者，同時針對作者在深度學習教學過程中遇到的難點，進行深入的分析和講解。本書側重對卷積神經網絡的介紹，而深度學習的內容不止於此。所以，作者將深度學習分為有監督學習、無監督學習和強化學習三類，將圖像分類、目標檢測、人臉識別、語音識別、雙向生成對抗網絡和AlphaGo等應用場景歸入不同的類別，並分別對其原理進行了概括性的講解。本書適合有一定深度學習或目標檢測學習基礎的學生、研究者、從業者閱讀。

機器學習是計算機科學與人工智能的重要分支領域. 本書作為該領域的入門教材，在內容上盡可能涵蓋機器學習基礎知識的各方面. 全書共16 章，大致分為3 個部分：第1 部分（第1～3 章）介紹機器學習的基礎知識；第2 部分（第4～10 章）討論一些經典而常用的機器學習方法（決策樹、神經網絡、支持向量機、貝葉斯分類器、集成學習、聚類、降維與度量學習）；第3 部分（第11～16 章）為進階知識，內容涉及特徵選擇與稀疏學習、計算學習理論、半監督學習、概率圖模型、規則學習以及強化學習等. 每章都附有習題並介紹了相關閱讀材料，以便有興趣的讀者進一步鑽研探索。本書可作為高等院校計算機、自動化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。

本書利用精美的插圖和有趣的類比，對深度學習的主流技術和背後的原理進行了深入淺出的講解，解釋了什麼是深度學習，深度學習流行的原因，以及深度學習與其他機器學習方法的關係。閱讀本書，讀者可以掌握卷積神經網絡、循環神經網絡、生成對抗網絡和深度強化學習等熱門技術，學習 TensorFlow、Keras 和 PyTorch 等熱門工具的使用，同時能夠更深刻地理解計算機視覺、自然語言處理和遊戲等領域的人工智能應用。本書還提供了簡單明瞭的示例和代碼，能夠幫助讀者動手實踐。

本書從貝葉斯理論的基本原理講起，逐步深入算法、機器學習、深度學習，並配合項目案例，重點介紹了基於貝葉斯理論的算法原理，及其在機器學習中的應用。 本書分為10章，涵蓋了貝葉斯概率、概率估計、貝葉斯分類、隨機場、參數估計、機器學習、深度學習、貝葉斯網絡、動態貝葉斯網絡、貝葉斯深度學習等。本書涉及的應用領域包含機器學習、圖像處理、語音識別、語義分析等。本書整體由易到難，逐步深入，內容以算法原理講解和應用解析為主，每節內容輔以案例進行綜合講解。 本書內容通俗易懂，案例貼合實際，實用性強，適合有一定算法基礎的讀者進階閱讀，也適合其他人作為愛好閱讀。

PyTorch 是基於 Torch 庫的開源機器學習庫，它主要由 Meta(原 Facebook)的人工智能研究實驗室開發，在自然語言處理和計算機視覺領域都具有廣泛的應用。本書介紹了簡單且經典的入門項目，方便快速上手，如 MNIST數字識別，讀者在完成項目的過程中可以瞭解數據集、模型和訓練等基礎概念。本書還介紹了一些實用且經典的模型，如 R-CNN 模型，通過這個模型的學習，讀者可以對目標檢測任務有一個基本的認識，對於基本的網絡結構原理有一定的瞭解。另外，本書對於當前比較熱門的生成對抗網絡和強化學習也有一定的介紹，方便讀者拓寬視野，掌握前沿方向。 本書適合人工智能、機器學習、深度學習方面的人員閱讀，也適合其他 IT 方面從業者，另外，還可以作為相關專業的教材。

《開放環境下的度量學習研究》由南京大學人工智能學院副研究員葉翰嘉撰寫，內容榮獲2021年度CCF優秀博士學位論文獎。全書以模型在開放環境下輸入、輸出層面上面臨的挑戰為切入點，提出針對或利用度量學習特性的具體算法，從理論和應用等多個角度使度量學習的研究能夠契合開放的環境。 《開放環境下的度量學習研究》共七章：第1章 緒論，主要介紹了度量學習、開放環境的特點、開放環境的研究進展以及全書的概要。 第2章 度量學習研究進展，首先介紹了監督學習和度量學習；然後講解了三種度量學習的相關算法，包括全域度量學習方法、多度量學習方法、高效度量學習方法；*後介紹了開放環境下度量學習的研究思路。 第3章 開放環境下度量學習的樣本複雜度分析，首先展示了現有的度量學習理論結果，然後提出了基於函數性質的度量學習樣本複雜度的改進方案，以及基於度量重用的度量學習樣本複雜度的改進方案。 第4章 基於度量學習和語義映射的異構模型修正，首先介紹了相關工作；其次介紹了基於度量語義映射的模型重用框架REFORM；然後介紹了實現模型重用框架REFORM的具體方法，包括自適應尺度的REFORM實現方法、學習變換的REFORM實現方法；*後展示了用於驗證的實驗流程和結果。 第5章 多語義環境下的多度量學習方法探究，首先介紹了多度量學習方法的相關工作；其次介紹了考慮多語義的多度量學習方法；然後介紹了多度量自適應選擇框架；*後展示了用於驗證的實驗流程和結果。 第6章 考慮噪聲影響的開放環境魯棒度量學習，首先介紹了相關工作；然後介紹了考慮樣本擾動的魯棒度量學習DRIFT；*後展示了用於驗證的實驗流程和結果。 第7章 總結與展望，總結了全書的研究內容，並對未來的研究方向和研究工作做出了展望。

機器學習是人工智能的重要技術基礎，涉及的內容十分廣泛。本書涵蓋了機器學習和深度學習的基礎知識，主要包括機器學習的概述、統計學基礎、分類、聚類、神經網絡、貝葉斯網絡、支持向量機、文本分析、分布式機器學習算法等*的機器學習基礎知識，還包括卷積神經網絡、循環神經網絡、生成對抗網絡、目標檢測、自編碼器等深度學習的內容。此外，本書還介紹了機器學習的熱門應用領域推薦系統以及強化學習等主題。 本書深入淺出、內容*、案例豐富，每章*提供Python程序代碼和習題，供讀者鞏固所學知識。另外，本書還為讀者提供了配套的微課視頻。

本書主要介紹構建和訓練生成對抗網絡（GAN）的方法。全書共12 章，先介紹生成模型以及GAN 的工作原理，並概述它們的潛在用途，然後探索GAN 的基礎結構（生成器和鑒別器），引導讀者搭建一個簡單的對抗系統。本書給出了大量的示例，教讀者學習針對不同的場景訓練不同的GAN，進而完成生成高分辨率圖像、實現圖像到圖像的轉換、生成對抗樣本以及目標數據等任務，讓所構建的系統變得智能、有效和快速。