人人都离不开的算法：图解算法应用

最新上架

• 会员

  机器学习中的统计思维（Python实现）

  机器学习是人工智能的核心，而统计思维则是机器学习方法的核心：从随机性中寻找规律性。例如，利用损失最小化思想制定学习策略，采用概率最大化思想估计模型参数，利用方差对不确定性的捕捉构造k维树，采用贝叶斯公式构建分类决策模型，等等。只有树立正确的统计思维，才能准确高效地运用机器学习方法开展数据处理与分析。本书以统计思维的视角，揭示监督学习中回归和分类模型的核心思想，帮助读者构建理论体系。

  董平编著计算机18万字
• 会员

  人工智能对北京市就业的影响与应对

  人工智能作为数字经济及高精尖产业发展的原创性、引领性和代表性技术，在北京国际科技创新中心、全球数字经济标杆城市的建设中迎来了发展的“关键窗口期”和“政策红利期”，成为北京高质量发展的重要引擎和打造高质量就业“北京样板”的重大机遇。本书是一部经济学学术专著，书稿导向积极。本书采用多元数据来源，运用案例研究法、舆情分析与大数据分析法等多种研究方法，从产业与就业动态匹配视角，聚焦人工智能对北京市就业的影

  何勤计算机25.6万字
• 会员

  AI数字人原理与实现

  本书是一部系统介绍AI数字人技术的专业著作，涵盖了数字人的定义、发展历程、关键技术及应用实践等内容，全书共分3部分。在技术基础部分，首先介绍了数字人的定义、发展历程、分类和应用场景，接着详细解析了数字人系统的架构设计、视觉算法和语音合成技术的原理，以及语义理解和知识表示技术如何提升数字人的智能和表现力。在应用实践部分，带领读者深入探索数字人的创作流程，从内容策划、角色建模到交互设计，每一步都进行了

  方进计算机26.2万字
• 会员

  ChatGPT大模型：技术场景与商业应用

  ChatGPT作为人工智能领域的一大进步，引起了热议，其强大功能的背后离不开大模型的支持。大模型指的是参数规模超过千万的机器学习模型，主要应用于语音识别、计算机视觉等领域。本书聚焦大模型，对大模型的技术场景和商业应用展开详细叙述。本书主要从典型应用ChatGPT入手，探寻其背后支撑大模型的魅力。首先，本书对大模型的基础概念、产业格局、带来的新型商业模式进行讲解，展现了大模型的发展现状和商业化潜力。

  梅磊 施海平 陈靖计算机13.2万字
• 会员

  深度学习与计算机视觉：项目式教材

  本书基于国产自主可控龙芯处理器，系统地介绍计算机视觉领域的基本理论与实践，并结合当前主流的深度学习框架和龙芯平台以项目式教学的形式讲述任务的实施。本书主要包括OpenCV基础功能实战、深度学习框架的部署、计算机视觉技术基础知识、图像分类网络的部署、目标检测网络的部署、图像分割网络的部署、龙芯智能计算平台模型的训练和龙芯智能计算平台的推理部署等内容。通过阅读本书，读者能够了解和掌握深度学习在计算机视

  彭飞 张强编著计算机10万字
• 会员

  ChatGPT漫谈

  本书深度探讨了构建和训练ChatGPT模型涉及的核心技术，以及ChatGPT在各种实际应用中的作用。全书精心划分为三部分，其中第1章为第1部分，第2章为第2部分，第3章和第4章为第3部分。首先，详细阐述了机器学习的历史演变与各种学习范式，同时也揭示了在人工智能生成内容（AIGC）领域下，图像处理和自然语言处理技术的历史发展趋势；接下来，对ChatGPT的运行机制和关键算法进行深度解析，包括大规模模

  邱才明 凌泽南 冯湛搏 杨昊编著计算机10.8万字
• 会员

  机器学习（第2版）

  机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书涵盖了机器学习和深度学习的基础知识，主要包括机器学习的概述、统计学基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、文本分析、分布式机器学习算法等经典的机器学习基础知识，还包括卷积神经网络、循环神经网络、生成对抗网络、目标检测、自编码器等深度学习的内容。此外，本书还介绍了机器学习的热门应用领域推荐系统以及强化学习等主题。本书深入浅出、内容

  赵卫东 董亮编著计算机30.2万字
• 会员

  基于信息增强的图神经网络学习方法研究

  本书深入剖析了图神经网络领域所面临的两大核心挑战：深度加深模型退化和监督信息过度依赖。针对这两大挑战，本书提出了一系列解决思路，涵盖模型结构设计、训练策略优化等方面的内容。全书共7章，第1章主要介绍了图神经网络研究的背景与意义，阐述了近年来国内外网络表示学习与图神经网络的研究现状，分析了图神经网络当前面临的挑战及其主要问题等；第2章主要对图神经网络进行概要论述，包括基础的理论、典型的模型方法及应用

  王杰计算机8.1万字
• 会员

  机器学习

  机器学习是计算机科学与人工智能的重要分支领域.本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面.全书共16章，大致分为3个部分：第1部分（第1～3章）介绍机器学习的基础知识；第2部分（第4～10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3部分（第11～16章）为进阶知识，内容涉及特征选择与稀疏学习、计算

  周志华计算机22.7万字