三民網路書店 / 搜尋結果

深度學習是人工智能領域無法避開的課題之一，也是比較強大的方法之一。很多從事算法工作或相關工作的人，或多或少都在應用深度學習方法解決相關領域的問題。本書針對深度學習知識做進階性探討。通過11章內容，對卷積網絡、新型結構、注意力機制、模型壓縮、自監督學習、目標檢測中的高級技巧、無監督學習、Transformer高級篇，以及圖神經網絡和元學習進行了深入的探討，最後對深度學習的未來發展進行了展望。

本書從5G新時代的背景與特徵出發，闡述了5G為什麼需要邊緣計算的賦能，對邊緣計算的概念、關鍵技術、安全管理、隱私保護及其面臨的挑戰等內容進行了重點介紹，並且進一步探討了邊緣計算與大數據、人工智能、區塊鏈等技術融合的相關內容。其次，本書對邊緣計算在VR/AR、車聯網、工業互聯網、智慧城市、智能家居、智慧醫療、視頻雲及智慧工地等場景中的具體應用進行了重點介紹。最後，本書給出了邊緣計算在具體場景中實際應用的多個案例。本書語言通俗易懂，既適合對邊緣計算感興趣的入門讀者，也適合技術研發人員和管理人員，還可以作為高等院校相關專業師生的參考資料。

神經網絡與深度學習是人工智能研究的重要領域，是機器學習的重要組成部分。人工智能是研究理解和模擬人類智能、智能行為及其規律的科學。本書緊緊圍繞神經網絡和深度學習的基礎知識體系進行系統的梳理，力求從基礎理論、經典模型和前沿應用展開論述，便於讀者能夠較為全面地掌握深度學習的相關知識。全書共 16 章。第 1 章是緒論，簡要介紹人工智能、機器學習、神經網絡與深度學習的基本概念及相互關係，並對神經網絡的發展歷程和產生機理進行闡述；第2章介紹神經網絡的基本神經元模型、網絡結構、學習方法、學習規則、正則化方法、模型評估方法等基礎知識；第3～8章介紹多層感知器神經網絡、自組織競爭神經網絡、徑向基函數神經網絡、卷積神經網絡、循環神經網絡、注意力機制與反饋網絡；第9章介紹深度學習網絡優化的相關內容；第 10～13章介紹受限玻爾茲曼機和深度置信網絡、棧式自編碼器、生成對抗網絡和圖神經網絡；第 14 章介紹深度強化學習；第15章介紹深度學習的可解釋性；第16章介紹多模態預訓練模型。深度學習是源於對含有多個隱藏層的神經網絡結構進行的研究，以便建立和模擬人腦的學習過程。本書整理了人工神經網絡從簡單到複雜的模型，歸納和總結了神經網絡的理論、方法和應用實踐。本書可以作為高等院校人工智能及相關專業或非計算機專業的參考用書，也可以作為人工智能領域的科技工作者或科研機構工作人員的參考用書。

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。

本書引領讀者夯實相關基礎知識，掌握傳統目標檢測方法，再逐步過渡到深度學習的基本概念及分類用法，進而深入講解目標檢測的兩階段深度學習方法、一階段學習方法，即從以R-CNN為代表的兩階段深度學習方法、以YOLO系列為代表的一階段學習方法等，揭開深度學習用於目標檢測的“神秘面紗”，探究其中的奧秘。