人工智能是研究利用計算機系統(tǒng)實現(xiàn)人類智能的理論、方法和技術的學科。本書較系統(tǒng)進介紹了人工智能的基本內容，主要包括人工智能發(fā)展的三次熱潮、知識與知識表示、推理方式、搜索策略、專家系統(tǒng)、機器學習、神經網絡模型、深度學習、計算機視覺、自然語言處理、知識圖譜、智能體、群智能算法、生物征識別和智能機器人等。本書注重基本概念、基本

本書介紹人工智能的基礎理論、技術及應用。全書共9章,主要內容包括人工智能概述、知識表示與知識圖譜、搜索策略、機器學習、人工神經網絡、典型卷積神經網絡、智能圖像處理、機器學習開發(fā)框架、機器學習項目剖析。本書強調理論聯(lián)系實際，既深入淺出地介紹了人工智能領域的基礎知識和實用技術，又詳細介紹了兩個機器學習開發(fā)框架：PyTorc

《實戰(zhàn)AI大模型》是一本旨在填補人工智能（AI）領域（特別是AI大模型）理論與實踐之間鴻溝的實用手冊。書中介紹了AI大模型的基礎知識和關鍵技術，如Transformer、BERT、ALBERT、T5、GPT系列、InstructGPT、ChatGPT、GPT4、PaLM和視覺模型等，并詳細解釋了這些模型的技術原理

本書系統(tǒng)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，本書介紹了眾包的起源與發(fā)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(zhàn)。在前沿技術方面，本書詳細闡述了眾包標注真值推斷與面向眾包標注數(shù)據(jù)的預測模型學習等前沿研究課題。在研究實踐方面，本書介紹了面向偏置標注的眾包標簽真值推斷、基于

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(xiàn)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、基于CycleGAN的圖像風格轉換、基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)文本生成

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(shù)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(shù)學公式和符號。同時，還通過實際的Python編程實現(xiàn)神經網絡，加深讀者對相關數(shù)學知識的理解。 本書適合對深度學習感興趣

《Copilot和ChatGPT編程體驗：挑戰(zhàn)24個正則表達式難題》呈現(xiàn)了兩方競爭的格局。一方是專業(yè)程序員DavidQ.Mertz，是網絡上****的正則表達式教程的作者。另一方則是強大的AI編程工具OpenAIChatGPT和GitHubCopilot。比賽規(guī)則如下：David編寫了24個正則表達式難題，并展示如何解

本書系統(tǒng)地介紹了人工智能的基本概念、主要方法及代表性模型算法。本書根據(jù)人工智能的知識體系，在兼顧傳統(tǒng)的人工智能方法的基礎上，重點突出前沿性內容，并對自動推理、遺傳算法、神經網絡、啟發(fā)式優(yōu)化、機器學習、異常檢測、梯度下降、邏輯回歸、反向傳播、卷積網絡、語言模型、詞向量等常見技術進行詳細闡述和討論。本書結合應用安排了示例和

本書對應課程屬于一門概論性課程。本書將傳統(tǒng)的和新一代的人工智能/智能制造融于一體，從傳承與發(fā)展視角出發(fā)概述人工智能與智能制造的發(fā)展現(xiàn)狀及其相互關系，重點闡述人工智能與智能制造共性基礎技術、知識驅動的符號智能、數(shù)據(jù)驅動的機器學習、智能制造理論與技術體系、智能制造的物理系統(tǒng)和信息系統(tǒng)，并指出人工智能與智能制造的未來發(fā)展方向

本書是一部揭示ChatGPT與AIGC的背后真相及未來發(fā)展趨勢的重要著作。首先，本書全景式展現(xiàn)了ChatGPT背后的創(chuàng)造者群像，揭示了創(chuàng)新、創(chuàng)造和創(chuàng)業(yè)的成功之路。其次，本書系統(tǒng)回顧了AIGC發(fā)展過程中的重要里程碑，從早期的神經網絡到深度學習技術，再到大語言模型的突破，全面展示了這一領域的進展和創(chuàng)新。再次，本書聚焦剖析了