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

本書旨在全面回顧異質圖表示學習的發展，並介紹其最新研究進展。首先從方法和技術兩個角度總結了現有的工作，並介紹了該領域的一些公開資源。然後分類詳細介紹了最新模型與應用。最後討論了異質圖表示學習未來的研究方向，並總結了本書的內容。全書主體內容分為四個部分，第一部分快速介紹整個領域，第二、三部分深入研究相關技術和應用，第四部分基於一個平臺來執行代表性算法。

本書較為全面地介紹深度學習模型訓練、計算機視覺模型應用、自然語言處理模型應用等技術。全書共9個項目，包括深度學習全連接神經網絡應用、深度學習卷積神經網絡應用、深度學習模型訓練――循環神經網絡應用、計算機視覺模型數據準備、計算機視覺模型訓練與應用、計算機視覺模型部署、自然語言處理預訓練模型數據準備、自然語言處理預訓練模型訓練與應用、自然語言處理模型部署等。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，完成模型訓練、模型應用及預訓練模型遷移學習等工作的人才。 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用書。

本書從深度學習的發展歷程開始，系統介紹了基於深度學習的目標檢測的基本問題及其相關處理方法與技術，主要內容涉及兩階段和單階段目標檢測的理論、算法和研究成果。本書共6章，包括深度學習神經網絡類型、目標檢測技術、基於Faster R-CNN的目標檢測改進算法、領域自適應及其在目標檢測技術上的典型應用、圖像識別模型改進及面部表情識別、結論與展望等內容。 本書主要面向人工智能、自動化、電子信息、計算機等專業高年級本科生以及控制科學與工程、信息與通信工程、計算機科學與技術等學科研究生，幫助讀者了解目標檢測技術的發展過程、基本知識與原理，同時也可供高校相關專業教師、科研人員和工程技術人員閱讀參考。

本書主要介紹一種機器學習算法――提升法，主要關注其基礎理論和算法，也兼顧了應用。全書共14章，分為4個部分。首先給出機器學習算法及其分析的概要介紹，然後第一部分重點探究了提升法的核心理論及其泛化能力。第二部分主要介紹了有助於理解和解釋提升法的其他理論，包括基於博弈論的解釋、貪心算法、迭代投射算法，並與信息幾何學和凸優化建立了聯繫。第三部分主要介紹利用基於置信度的弱預測的AdaBoost算法的實用擴展，並用於解決多類別分類問題和排序問題。第四部分討論了高級理論話題，包括AdaBoost算法、最優提升法和連續時間下的提升法之間的統計一致性。附錄部分介紹了所需高級的數學概念。本書適合對提升法感興趣的讀者，本書每章都附有練習，因此也適用於高等院校相關課程的教學。

本書面向研究型開發與創新能力培養，重點講解機器學習的基本原理和前沿思想。Python是開展機器學習編程實踐的主流語言，本書為常用的機器學習模型提供了完整的Python實現代碼。本書在“學堂在線”網站同步開設配套慕課課程，供讀者免費學習。 本書可作為高等學校相關專業“機器學習”“統計學習”等課程的教材，也可作為有一定基礎的讀者的自學參考書。

我們在與環境交互的過程中進行學習，經歷的獎勵或懲罰將指導我們未來的行為。深度強化學習將該過程引入人工智能領域，通過分析結果來尋找最有效的前進方式。DRL智能體可提升營銷效果、預測股票漲跌，甚至擊敗**圍棋高手和國際象棋大師。 《深度強化學習圖解》呈現生動示例，指導你構建深度學習體系。Python代碼包含詳明、直觀的注釋，助你深刻理解DRL技術。你將學習算法的運行方式，並學會用評估性反饋來開發自己的DRL智能體。 本書主要內容包括: 強化學習入門 行為與人類似的DRL智 能體 在複 雜情況下應用DRL。

作為機器學習領域應用比較成熟、廣泛的業務，個性化推薦在電商、短視頻等平臺發揮著重要作用，其背後的推薦系統已成為當今越來越多應用程序的標配。關於推薦算法的論述有很多，而要將其很好地應用到實際場景中，則需要大量的實踐經驗。本書從實戰的角度介紹推薦系統，主要包含三部分 ：召回算法、排序算法和工程實踐。書中細緻剖析了如何在工業中對海量數據應用算法，涵蓋了從算法原理，到模型搭建、優化以及最佳實踐等諸多內容。

本書系統全面地闡述了對偶學習，可以讓相關研究人員和從業者更好地瞭解該領域的前沿技術。全書分為五部分。第一部分簡要介紹機器學習和深度學習的基礎知識。第二部分以機器翻譯、圖像翻譯、語音處理及其他自然語言處理/計算機視覺任務為例，詳細介紹了基於對偶重構準則的算法。第三部分介紹基於概率準則的若干研究，包括基於聯合概率準則的對偶有監督學習和對偶推斷，以及基於邊緣概率準則的對偶半監督學習。第四部分從理論角度解讀了對偶學習，並且討論了和其他學習范式的關聯。第五部分總結全書內容並給出若干未來研究方向。

本書深入淺出地介紹了目前機器學習領域中重要的理論和關鍵的算法，涵蓋機器學習的前沿內容，同時提供討論和證明算法所需的理論基礎與概念，並且指出了這些算法在實際應用中的關鍵點，旨在通過對一些基本問題乃至前沿問題的精確證明，為讀者提供新的理念和理論工具。本書注重對算法的分析和理論的關注，涉及的內容包括：概率近似正確(PAC)學習框架、基於Rademacher複雜度和VC―維的泛化界、支持向量機(SVM)、核方法、boosting、在線學習、多分類、排序、回歸、算法穩定性、降維、學習自動機和語言和強化學習。

以深度學習為基礎的文本檢測算法有基於回歸的模型和基於分割的模型，目前這兩種模型的應用效果各有優劣。為解決回歸模型對訓練數據的依賴，以及分割模型受目標尺寸影響的問題，本書提出了兩種新的算法：TSFnet和Mnet。 全書分為5章，概述了自然場景下文本檢測的研究現狀，陳述了相關算法的問題、數據集與存在的挑戰，並通過實驗，對基於融合網絡的TSFnet模型及結合區域網絡與注意力網絡的Mnet模型進行了詳細的介紹，最後對相關的應用進行了簡介。本書結構清晰，文字流暢，圖文並茂，適合從事場景文本檢測與識別研究的相關讀者閱讀，也適合作為高校相關專業學生的參考書。

本書分為三部分。第一部分介紹MLOps主題，深入探討了它是如何(以及為什麼)發展成一門學科的、需要誰參與才能成功執行MLOps以及需要哪些組成部分。第二部分介紹了機器學習模型的生命週期，其中包括有關模型開發、生產準備、生產部署、監控和治理的章節。這些章節不僅包括一般的注意事項，還包括MLOps生命週期每個階段的注意事項，並提供與第3章中所涉及主題相關的更多詳細信息。第三部分提供了MLOps的具體示例，以便讓讀者瞭解MLOps在實踐中的設置和含義。

《圖機器學習》詳細闡述了與圖機器學習相關的基本解決方案，主要包括圖的基礎知識、圖機器學習概述、無監督圖學習、有監督圖學習、使用圖機器學習技術解決問題、社交網絡圖、使用圖進行文本分析和自然語言處理、信用卡交易的圖分析、構建數據驅動的圖應用程序和圖的新趨勢等內容。 此外，本書還提供了相應的示例、代碼，以幫助讀者進一步理解相關方案的實現過程。

本書主要內容包括機器學習中的相關數學基礎 (線性代數、概率統計與信息論、最優化方法和張量分析); 樣本數據中的預處理; 機器學習主流算法; 基於MATLAB機器學習算法的實現和機器學習綜合應用、機器學習和深度學習的工程應用。本書特色是深入淺出, 自成體系, 注重基礎理論的描述, 具有系統性、完整性、可閱讀性、應用性和前瞻性。

本書從多維數組Tensor開始，循序漸進地介紹PyTorch各方面的基礎知識，並結合深度學習中的經典應用，帶領讀者從零開始完成幾個經典而有趣的實際項目，包括動漫頭像生成、風格遷移、自動寫詩以及目標檢測。本書還介紹了PyTorch的幾個高級擴展，包括向量化計算、分布式加速以及CUDA擴展。本書既適合深度學習的初學者及第一次接觸PyTorch的研究人員閱讀，也適合有一定PyTorch使用經驗的用戶閱讀，幫助他們建立對PyTorch的基本認識，提高使用PyTorch框架解決實際問題的能力。

機器學習算法評估力求用科學的指標，對機器學習算法進行完整、可靠的評價。本書詳細介紹機器學習算法評估的理論、方法和實踐。全書分為3個部分。第1部分包含第1章～第3章，針對分類算法、回歸算法和聚類算法分別介紹對應的基礎理論和評估方法；第2部分包含第4章～第8章，介紹更複雜的模型（如深度學習模型和集成樹模型）的對比與評估，並且針對它們實際應用的業務場景介紹一些特有的評估指標和評估體系；第3部分包含第9章～第11章，總結算法評估的常用工具、技術及方法論，包括實用的可視化工具介紹，並討論機器學習算法的本質。本書適合機器學習專業相關從業者和算法工程師閱讀，也適合想要從事人工智能和機器學習工作的人士學習和參考。

本書以任務為導向，討論了機器學習和深度學習的主要問題，包括聚類、回歸、分類、標注、降維、特徵工程、超參數調優、序列決策（強化學習）和對抗攻擊等。書中對上述每個問題，分別從決策函數類模型、概率類模型和神經網絡類模型三個角度來討論具體的實現算法。 本書在內容上兼顧基礎知識和應用實踐。總體上，以基本理論知識為主線，逐步展開，從概念入手，逐步討論算法思想，著重考慮知識的關聯性，最後落實到機器學習擴展庫和深度學習框架的具體應用。具體到每個模型，採用以示例入手、逐漸深入的方式，盡量給出詳盡的分析或推導。 本書的特點是主要通過示例來討論相關模型，適合初學者入門使用。本書示例代碼採用Python 3程序設計語言編寫。傳統機器學習算法的應用示例主要以ScikitLearn機器學習擴展庫來實現，隱馬爾可夫模型示例用hmmlearn擴展庫來實現，條件隨機場模型示例用CRF 工具來實現。深度學習算法的示例採用TensorFlow 2框架和MindSpore框架來實現。 本書適合計算機、人工智能及相關專業的學生使用，對於相關技術研究人員也有參考價值。

全書共分為三部分；第一部分（第1～2章）討論機器學習的基本原理及其當前被大規模應用的原因；第二部分（第3～10章）通過大量實例詳細介紹回歸算法和分類算法，涵蓋回歸、分類、無監督聚類和隱馬爾可夫模型（HMM）等技術及應用；第三部分（第11～19章）主要介紹神經網絡及其應用，涵蓋使用隱藏層的自編碼器壓縮和表示輸入、用於自動分類圖像和面部識別的卷積神經網絡（CNN）、用於時間序列數據或語音轉文本的循環神經網絡（RNN），以及seq2seq RNN架構等內容。

本書使用Python語言以及流行的scikit-learn機器學習庫等資源，通過易於實踐的項目，幫助讀者掌握開發有效的機器學習系統所需的流程、模式和策略。本書首先介紹機器學習的基本概念和機器學習系統的評估技術；之後擴展工具庫，引入另外幾種分類和回歸技術以及特徵工程；最後介紹一些較為前沿的新技術，包括組合機器學習模型和自動化特徵工程模型等，並將機器學習應用于圖像處理和文本處理兩個特定領域。