神经网络与深度学习

本书旨在采用一种符合读者认知角度且能提升其学习效率的方式来讲解深度学习背后的核心知识、原理和内在逻辑。经过基础篇的学习，想必你已经对深度学习的总体框架有了初步的了解和认识，掌握了深度神经网络从核心概念、常见问题到典型网络的基本知识。本书为核心篇，将带领读者实现从入门到进阶、从理论到实战的跨越。全书共7章，前三章包括复杂CNN、RNN和注意力机制网络，深入详解各类主流模型及其变体；第4章介绍这三类基

本书强调“把AI作为方法”（AI即ArtifcialIntelligence，人工智能）这一核心理念，旨在引导读者掌握与AI对话的关键技巧，并将AI融入工作和生活真正体验AI带给人类的高效与便捷。本书从技术的发展规律人手，探讨了把AI作为方法的必然性和必要性，进一步剖析了算法与哲学在内在逻辑上的贯通性。此外，本书通过丰富多样的案例展示了AI的强大魅力，通过一系列“召唤术”帮助读者运用AI创造性地

本书以工作场景和具体任务来驱动，包括53个场景展示、85项任务模拟、237次提问示范，让完全不懂技术的小白，也能成为ChatGPT工具使用方面的行家。本书通过详细讲解具体任务的提问与追问方法，让ChatGPT成为每个人的工作好帮手，帮助人们提升工作效能，打造超能个体与超能团队。

《洞察AIGC：智能创作的应用、机遇与挑战》内容分为3篇：第1篇AIGC的蜕变讲述AIGC的发展历史及其背后的智能；第2篇AIGC的应用讲述AIGC在文学创作、日常办公、知识管理、科研出版、工业制造、健康医疗、金融服务、品牌营销领域的应用现状及常用工具；第3篇AIGC的机遇与挑战讲述AIGC的资本与技术前景，同时提出需要注意的风险。

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

本书由中科院计算所、软件所的专家学者倾心写就，以“图像风格迁移”应用为例，全面介绍智能计算系统的软硬件技术栈。第2版以大模型为牵引进行更新，第1章回顾人工智能、智能计算系统的发展历程，第2、3章在介绍深度学习算法知识的基础上增加了大模型算法的相关知识，第4章介绍深度学习编程框架PyTorch的发展历程、基本概念、编程模型和使用方法，第5章介绍编程框架的工作原理，第6章回顾深度学习所用的处理器结构从

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

我们生活在一个由算法构筑的世界：这些基于数据的算法不仅掌控着社会的运转、筛选着我们的网络见闻，还构成了自动驾驶、智能家居、前沿医疗、智慧城市乃至元宇宙发展的根本。它们是人类步入智能化新纪元的关键驱动力。随着我们对数字技术的依赖日益加深，数学家和数据研究者得以透过它们窥探我们的日常生活。他们通过收集我们的购物记录、消费倾向、兴趣爱好和旅行路径等数据，试图解码我们的日常行为模式。但是，这些数据驱动的分

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