会员
漫画图解人工智能
更新时间：2021-06-07 15:47:38 最新章节：趋于无限、超越无限！
书籍简介
本书通过有趣的插图和简洁的文字带您漫步在人工智能的世界中，与您分享这个非凡工具带来的惊奇和震撼，同时帮助您了解它如何运行以及它的局限性。作者在每个章节都揭示了人工智能的某一特性，并充分评估了这一领域的种种可能性。作者还探讨了研究人员面临的挑战及社会人工智能问题等。
品牌：后浪出版
译者：王月玲
上架时间：2021-06-01 00:00:00
出版社：北京联合出版公司
本书数字版权由后浪出版提供，并由其授权上海阅文信息技术有限公司制作发行
最新章节
(法)尼古拉·萨布雷文 利泽特·德阿西斯绘
最新上架
- 会员这是一个“算法世界”：建立在数据之上的算法指导社会的运行、决定我们能在网上看到什么；它更是自动驾驶、智能管家、未来医疗以至智慧城市的基石。如果我们不了解算法如何使用数据，就无法知道人工智能将如何改变我们的生活。通过采访谷歌和剑桥分析公司的数据专家、亲自模拟高科技巨头的算法模型，萨普特带我们直击智能产品背后的秘密、思考数字科技给社会带来的风险。我们对科技和互联网的日益依赖，使数据研究者能够收集与我们计算机14.8万字
- 会员这是一本从工程化角度讲解大语言模型的核心技术、构建方法与前沿应用的著作。首先从语言模型的原理和大模型的基础构件入手，详细梳理了大模型技术的发展脉络，深入探讨了大模型预训练与对齐的方法；然后阐明了大模型训练中的算法设计、数据处理和分布式训练的核心原理，展示了这一系统性工程的复杂性与实现路径。除了基座模型的训练方案，本书还涵盖了大模型在各领域的落地应用方法，包括低参数量微调、知识融合、工具使用和自主智计算机12.1万字
- 会员PyTorch是一个开源的机器学习框架，它提供了动态计算图的支持，让用户能够自定义和训练自己的神经网络，目前是机器学习领域中的框架之一。《PyTorch2.0深度学习从零开始学》共分15章，内容包括PyTorch概述、开发环境搭建、基于PyTorch的MNIST分类实战、深度学习理论基础、MNIST分类实战、数据处理与模型可视化、基于PyTorch卷积层的分类实战、PyTorch数据处理与模型可计算机11.3万字
- 会员本书深入浅出地介绍了现代大型人工智能（ArtificialIntelligence，AI）模型技术，从对话机器人的发展历程和人工智能的理念出发，详细阐述了大模型私有化部署过程，深入剖析了Transformer架构，旨在帮助读者领悟大模型的核心原理和技术细节。本书的讲解风格独树一帜，将深奥的技术术语转化为简洁明了的语言，案例叙述既严谨又充满趣味，让读者在轻松愉快的阅读体验中自然而然地吸收和理解AI计算机15.8万字
- 会员本书主要介绍如何通过动态系统学习控制律，从而使机器人具备实时反应能力。本书首先介绍机器人学习数据的收集方法，然后重点讲解使用动态系统学习控制律的核心技术，使用动态系统进行轨迹规划的方法，以及使用动态系统进行柔性控制和力控制的方法。本书提供大量应用示例，包括机械臂、拟人手和仿人机器人的全身控制等。本书要求读者熟悉关于机器人控制的基础知识，并熟悉机器学习、统计、优化以及动态系统等相关内容，适合作为高等计算机20.3万字
- 会员《PyTorch深度学习应用实战》以统计学/数学为出发点，介绍深度学习必备的数理基础，讲解PyTorch的主体架构及最新的模块功能，包括常见算法与相关套件的使用方法，例如对象侦测、生成对抗网络、深度伪造、图像中的文字辨识、脸部辨识、BERT/Transformer、聊天机器人、强化学习、自动语音识别、知识图谱等。本书配有大量案例及图表说明，同时以程序设计取代定理证明，缩短学习过程，增加学习乐趣。计算机15.2万字
- 会员《ChatGLM3大模型本地化部署、应用开发与微调》作为《PyTorch2.0深度学习从零开始学》的姊妹篇，专注于大模型的本地化部署、应用开发以及微调等。《ChatGLM3大模型本地化部署、应用开发与微调》不仅系统地阐述了深度学习大模型的核心理论，更注重实践应用，通过丰富的案例和场景，引导读者从理论走向实践，真正领悟和掌握大模型本地化应用的精髓。全书共分13章，全方位、多角度地展示了大模型本地化计算机13万字
- 会员人工智能（AI），尤其是生成式语言模型和生成式人工智能（AIGC）模型，正以惊人的速度改变着我们的世界。驾驭这股潮流的关键，莫过于探究自然语言处理（NLP）技术的深奥秘境。本书将带领读者踏上一段扣人心弦的探索之旅，让其亲身感受，并动手搭建语言模型。本书主要内容包括N-Gram，词袋模型（BoW），Word2Vec（W2V），神经概率语言模型（NPLM），循环神经网络（RNN），Seq2Seq（S2计算机14万字
- 会员本书是一本全面介绍机器学习方法特别是算法的新书，适合初学者和有一定基础的读者。机器学习可以分成三大类别，监督式学习、非监督式学习和强化学习。三大类别背后的算法也各有不同。监督式学习使用了数学分析中函数逼近方法、概率统计中的极大似然方法。非监督式学习使用了聚类和贝叶斯算法。强化学习使用了马尔可夫决策过程算法。机器学习背后的数学部分来自概率、统计、数学分析以及线性代数等领域。虽然用到的数学较多，但是最计算机7.4万字