来自巴斯大学计算机科学教授Simon J.D. Prince撰写的《理解深度学习》新书,共有19章,从机器学习基础概念到深度学习各种模型,包括最新的Transformer和图神经网络,比较系统全面,值得关注。

Chapter 1 - 导论 Introduction Chapter 2 - 监督学习 Supervised learning Chapter 3 - 浅层神经网络 Shallow neural networks Chapter 4 - 深度神经网络 Deep neural networks Chapter 5 - 损失函数 Loss functions Chapter 6 - 训练模型 Training models Chapter 7 - 梯度与初始化 Gradients and initialization Chapter 8 - 度量性能 Measuring performance Chapter 9 - 正则化 Regularization Chapter 10 - 卷积网络 Convolutional nets Chapter 11 - 残差网络 Residual networks and BatchNorm Chapter 12 - Transformers Chapter 13 - 图神经网络 Graph neural networks Chapter 14 -变分自编码器 Variational auto-encoders Chapter 15 - Normalizing flows Chapter 16 - 生成对抗网络 Generative adversarial networks Chapter 17 - 扩散模型 Diffusion models Chapter 18 - 深度强化学习 Deep reinforcement learning Chapter 19 - 为什么深度学习有效 Why does deep learning work?

成为VIP会员查看完整内容
71

这本书提供了一个现代的,独立的介绍数字图像处理。我们设计了这本书,既供学习者使用,希望建立一个坚实的基础,也供寻找最重要技术的详细分析和透明实现的实践者使用。这是德语原版书的第三个英文版本,它已被广泛使用:

这本现代的,独立的教科书提供了一个数字图像的领域介绍。这备受期待的第三版的权威教科书的数字图像处理已完全修订,并扩大了新的内容,改进插图和教材。

主题和特点:

包含关于几何基元拟合,随机特征检测(RANSAC),和最大稳定极值区域(MSER)的新章节 包括大多数章节的练习,并在相关网站上提供额外的补充材料和软件实现 所有示例都使用ImageJ,这是一种广泛使用的开源图像环境,可以在所有主要平台上运行 以数学形式逐步描述每个解决方案,作为抽象的伪代码算法和完整的Java程序,可以很容易地移植到其他编程语言 在前言中提出一个或两个学期课程的建议大纲

高级本科生和研究生将发现这全面和例子丰富的教科书将作为理想的介绍数字图像处理。它也将证明宝贵的研究人员和专业人士寻求一个切实集中的自学入门。

https://link.springer.com/book/10.1007/978-3-031-05744-1

成为VIP会员查看完整内容
59

自动驾驶汽车是一个快速增长的研究和专业领域。《自动驾驶汽车的理论与实践》从感知、规划和控制三个领域全面介绍了自动驾驶汽车的技术。从原理到实践,系统地介绍了车辆系统,包括ROS编程、机器和深度学习的基础知识,以及环境感知和传感器融合等基本模块。书介绍先进的控制算法以及新研究的重要领域。这个头衔为工程师、技术人员和学生提供了一个可访问的手册,以了解自动驾驶汽车的整个技术堆栈。《自动驾驶汽车的理论与实践》从原理到实践对自动驾驶汽车技术进行了介绍。十章涵盖了自动驾驶汽车的全部无人驾驶技术。由两个在工业和研究经验丰富的作者写,这本书提供了一个可访问的和系统的介绍自动驾驶汽车技术。

全面介绍自动驾驶汽车的技术堆栈 涵盖了感知、计划和控制三个领域 提供基础理论和最佳实践 介绍先进的控制算法和新研究的高潜力领域 为工程师,技术人员和学生提供一本可访问的手册,自动驾驶汽车技术和应用

成为VIP会员查看完整内容
58

**《基于脑电图的脑机接口的深度学习》**是一本令人兴奋的书,描述了新兴的深度学习如何在表征、算法和应用方面改善脑机接口(BCI)的未来发展。BCI通过将个人的大脑信号解码为计算机设备可识别的命令,将人类的神经世界和物理世界连接起来。

这本书提出了一个高度综合的总结,常用的大脑信号;系统介绍了深度学习模型的12个子类;在BCI领域采用深度学习的200多项最新研究的扩展总结;本文概述了许多BCI应用以及深度学习的贡献,以及31个公共BCI数据集。作者还介绍了一套新的深度学习算法,旨在解决当前BCI的挑战,如鲁棒表示学习、跨场景分类和半监督学习。本文提出了各种基于深度学习的真实世界BCI应用,并给出了一些原型。其中所包含的工作提出了有效和高效的模式,将为学术界和工业界从事BCI工作的人提供灵感。

目录内容:

语言 Preface * 背景 Background: Introduction Brain Signal Acquisition Deep Learning Foundations 深度学习BCI Deep Learning-Based BCI and Its Applications: Deep Learning-Based BCI Deep Learning-Based BCI Applications Recent Advances on Deep Learning for EEG-Based BCI: Robust Brain Signal Representation Learning Cross-Scenario Classification Semi-Supervised Classification Typical Deep Learning for EEG-Based BCI Applications: Authentication Visual Reconstruction Language Interpretation Intent Recognition in Assisted Living Patient-Independent Neurological Disorder Detection Future Directions and Conclusion Bibliography Index

https://www.worldscientific.com/worldscibooks/10.1142/q0282#t=aboutBook

成为VIP会员查看完整内容
51

模拟和合成是未来人工智能和机器学习的核心部分。想想看: 程序员、数据科学家和机器学习工程师可以在没有汽车的情况下创造出自动驾驶汽车的大脑。您不需要使用来自真实世界的信息,而是可以使用模拟来合成人工数据来训练传统的机器学习模型。这仅仅是个开始。

通过这本实用的书,您将探索基于模拟和综合的机器学习和人工智能的可能性,专注于深度强化学习和模仿学习技术。AI和ML越来越受数据驱动,而模拟是释放它们全部潜力的强大而吸引人的方式。

https://www.oreilly.com/library/view/practical-simulations-for/9781492089919/

你将学习如何:

使用Unity引擎模拟设计一种解决ML和AI问题的方法 使用游戏引擎合成图像作为训练数据 创建模拟环境,设计用于训练深度强化学习和模仿学习模型 使用和应用高效的通用算法,以模拟为基础的ML,如近端策略优化 使用不同的方法训练各种ML模型 使ML工具与行业标准的游戏开发工具一起工作,使用PyTorch和Unity ML- agents和Perception工具包。

本书分为三个部分。

第一部分,“模拟和合成的基础”,介绍了模拟和合成的主题,并使您在轻轻地基于每个简单的活动。

第二部分,“为了乐趣和利润而模拟世界”,致力于模拟。这是书中最重要的部分,因为模拟是一个比综合大得多的主题。在本部分中,我们将几乎一步一步地完成一系列模拟活动,并在此过程中构建额外的概念和方法。在本部分结束时,您将通过模拟了解到许多不同的路径。

第三部分,“合成数据,真实结果”,致力于合成。这是一个比模拟小得多的部分,但仍然至关重要。您将学习使用Unity创建合成数据的基础知识,到最后,您将具备基本的任何类型的合成您可能需要。

成为VIP会员查看完整内容
48

**机器学习和数据科学, **由一组在该领域的专家撰写和编辑,这份论文集合反映了机器学习和数据科学的最新和全面的现状,适用于工业、政府和学术界。

机器学习(ML)和数据科学(DS)是非常活跃的课题,在理论和应用方面都具有广泛的应用范围。它们已经成为一个重要的新兴科学领域和范式,推动了统计、计算科学和智能科学等学科的研究演变,以及科学、工程、公共部门、商业、社会科学和生活方式等领域的实践转型。同时,它们的应用提供了一些重要的挑战,这些挑战通常只能通过创新的机器学习和数据科学算法来解决。

这些算法涵盖了人工智能、数据分析、机器学习、模式识别、自然语言理解和大数据操作等更广泛的领域。他们还解决了相关的新的科学挑战,从数据捕获、创建、存储、检索、共享、分析、优化和可视化,到跨异构和相互依赖的复杂资源的集成分析,以更好的决策、协作,并最终创造价值。

成为VIP会员查看完整内容
44

区块链:物联网原理及应用涵盖了区块链及其在物联网中的应用的各个方面。本书主要介绍了区块链及其功能,以及用于构建区块链网络的核心技术。章节的逐步流动追溯了区块链从加密货币到区块链技术平台和应用程序的历史,这些平台和应用程序由于其易用性、增加的安全性和透明度而被全球主流金融和工业领域采用。

专注于区块链在物联网领域的应用 * 关注区块链作为一个数据存储库 * 大多数关于区块链的书籍都涉及比特币和加密货币。这本书还将涵盖区块链在其他领域,如医疗保健、供应链管理等 * 涵盖共识算法如PAROX, RAFT等及其应用 * 这本书主要针对计算机科学和IT的毕业生和研究人员。

https://www.routledge.com/Blockchain-Principles-and-Applications-in-IoT/Chakraborty-Ghosh-Balas-Elngar/p/book/9781032068060#:~:text=Blockchain%3A%20Principles%20and%20Applications%20in%20IoT%20covers%20all%20the%20aspects,to%20build%20the%20Blockchain%20network.

成为VIP会员查看完整内容
40

数据工程在过去十年中发展迅速,许多软件工程师、数据科学家和分析师都在寻找这种实践的全面观点。通过这本实用的书,您将学习如何通过评估数据工程生命周期框架中可用的最佳技术来规划和构建系统,以满足您的组织和客户的需求。 作者Joe Reis和Matt Housley将向您介绍数据工程的整个生命周期,并向您展示如何将各种云技术结合起来,以满足下游数据消费者的需求。您将了解如何应用数据生成、摄取、编制、转换、存储和治理的概念,这些概念在任何数据环境中都是至关重要的,而不管底层技术是什么。

https://www.oreilly.com/library/view/fundamentals-of-data/9781098108298/ 这本书将帮助你:

获得整个数据工程领域的简明概述使用端到端最佳实践框架评估数据工程问题在选择数据技术、架构和流程时,要避开营销炒作使用数据工程生命周期来设计和构建一个鲁棒的架构跨数据工程生命周期合并数据治理和安全性

成为VIP会员查看完整内容
39

这本本科教材提供了图论的介绍,图论在科学和技术建模问题中有大量的应用,已经成为世界各地大学计算机科学、计算机科学与工程以及数学课程的重要组成部分。

作者采用了一种条理清晰、易于理解的方法。本文首先从图论的历史背景、动机和应用入手,阐述了图论的基本术语。在此基础上,作者进一步介绍了路径、环、连通性、树、匹配、覆盖、平面图、图着色和有向图,以及一些特殊的图类和一些高级研究课题。

充满练习和插图,基本图论是一个宝贵的资源,为任何本科生理解和获得信心图论及其应用到科学研究,算法和问题解决。

https://link.springer.com/book/10.1007/978-3-319-49475-3

成为VIP会员查看完整内容
39

超越机器学习和网络安全博弈论的基础,进入这一前沿领域的最新研究 在网络安全的博弈论和机器学习中,一个专家安全研究团队提供了一组来自适用于网络安全的机器学习和博弈论的核心研究成果。杰出的编辑包括了解决博弈论和机器学习应用于网络安全系统的开放研究问题的资源,并检查了当前网络安全博弈论模型的优势和局限性。 读者将探索传统机器学习算法的漏洞,以及如何在对抗性机器学习方法中缓解这些漏洞。这本书为应用博弈论和机器学习解决网络安全挑战的广泛技术问题提供了一套全面的解决方案。 从介绍博弈论、机器学习、网络安全和网络欺骗的基本概念开始,编辑人员为读者提供了讨论最新的超级游戏、行为博弈论、对抗性机器学习、生成对抗网络和多智能体强化学习的资源。

读者还将享受:

  • 全面介绍了网络欺骗的博弈论,包括在博弈论框架中识别隐形攻击者的可扩展算法,攻击图上的蜜罐分配,以及网络欺骗的行为博弈
  • 对网络安全博弈论的探索,包括针对持续和先进威胁的可操作博弈论对抗性干预检测
  • 针对网络安全的对抗性机器学习的实际讨论,包括5G安全中的对抗性机器学习和网络物理系统中机器学习驱动的故障注入
  • 网络安全生成模型的深入研究

成为VIP会员查看完整内容
37

Python是访问、操作和从各种数据中获得见解的理想选择。Python for Data Science通过根植于实际示例和实践活动的边做边学的方法向您介绍Python的数据分析世界。您将学习如何编写Python代码来获取、转换和分析数据,为业务管理、市场营销和决策支持中的用例实践最先进的数据处理技术。

您将发现Python丰富的用于基本操作的内置数据结构集,以及用于数据科学的鲁棒的开源库生态系统,包括NumPy、pandas、scikit-learn、matplotlib等。这些示例展示了如何以各种格式加载数据,如何简化、分组和聚合数据集,以及如何创建图表、地图和其他可视化功能。后面的章节将深入展示真实世界的数据应用,包括使用位置数据来推动出租车服务,市场篮子分析来识别共同购买的商品,以及机器学习来预测股票价格。

Introduction

**Chapter 1: **The Basics of Data Chapter 2: Python Data Structures **Chapter 3: **Python Data Science Libraries Chapter 4: Accessing Data from Files and APIs Chapter 5: Working with Databases **Chapter 6: **Aggregating Data Chapter 7: Combining Datasets **Chapter 8: **Creating Visualizations **Chapter 9: **Analyzing Location Data Chapter 10: Analyzing Time Series Data Chapter 11: Gaining Insights from Data Chapter 12: Machine Learning for Data Analysis

成为VIP会员查看完整内容
30

C编程语言已经存在很长一段时间了——它的权威参考是它的创造者Kernighan和Ritchie[1978]所写的书。从那时起,C语言被用在了数量惊人的应用程序中。用C语言编写的程序和系统随处可见: 个人电脑、电话、相机、机顶盒、冰箱、汽车、主机、卫星……基本上在任何有可编程接口的现代设备中。与C语言程序和系统的普遍存在相比,对C语言的良好了解要少得多。即使是经验丰富的C程序员,对C语言的现代演变也常常陷入某种程度的自我造成的无知之中。一个可能的原因是C语言被视为一种“容易学习”的语言,允许缺乏经验的程序员快速地编写或复制代码片段,至少看起来是按照它应该做的。在某种程度上,C语言无法激励它的用户攀登到更高的知识水平。这本书的目的是改变这种普遍的态度,所以它的层次结构反映了对C语言和编程的熟悉程度。这种结构可能会违背读者的一些习惯;特别是,它将一些困难的主题(如指针)划分为不同的层次,以避免错误的信息过早地淹没读者。稍后我们将更详细地解释这本书的组织结构。一般来说,尽管书中提出了许多普遍适用的思想,但这些思想也适用于其他编程语言(如Java、Python、Ruby、c#或c++),书中主要介绍了C语言独有的概念和实践,或在使用C语言编程时具有特殊价值的概念和实践。

https://www.manning.com/books/modern-c

这本书按层次组织,从0到3编号。初始的0级,名为“Encounter”,将总结C语言编程的基本知识。它的主要作用是提醒您前面提到的主要概念,并使您熟悉C语言应用的特殊词汇和观点到最后,即使您在C编程方面没有太多经验,您也应该能够理解简单C程序的结构,并开始编写自己的程序。第1级“Acquaintance”详细描述了大多数主要的概念和特性,比如控制结构、数据类型、操作符和函数。它应该能让你更深入地理解运行程序时发生的事情。这些知识对于算法的入门课程和该级别的其他工作应该是足够的,需要注意的是,指针还没有完全介绍。

“Cognition”第2级是C语言的核心。它完整地解释了指针,使您熟悉C的内存模型,并允许您理解C的大部分库接口。完成这一阶段应该使你能够专业地编写C代码;因此,本文首先对C程序的编写和组织进行了必要的讨论。我个人希望任何从工程学院毕业,主修计算机科学或C语言编程的人都能掌握这一水平。不要满足于少。然后,“Experience”级别3详细介绍了特定主题,如性能、可重入性、原子性、线程和类型泛型编程。当你在现实世界中遇到它们时,它们可能是你最好的发现。尽管如此,作为一个整体,它们对于结束讨论并为您提供全面的C语言专业知识是必要的。任何有几年C语言专业编程经验或领导一个以C语言为主要编程语言的软件项目的人都应该掌握这一水平。

成为VIP会员查看完整内容
31

使用商业智能来推动企业增长,提高效率,并改进企业决策。在这本实用的书中,您将通过使用基本Python和R代码的Power BI实践示例,探索与BI最相关的AI用例,包括改进的预测、自动化分类和AI支持的推荐。您将学习如何从非结构化数据源(如文本、文档、图像文件)获得见解。 作者Tobias Zwingmann帮助BI专业人员、业务分析师和数据分析人员理解人工智能的高影响领域。您将学习如何在没有软件工程师或数据科学家的帮助下,利用流行的AI-as-a-service和AutoML平台来交付企业级概念证明。

了解AI如何在BI环境中产生业务影响使用AutoML进行自动分类和改进预测实现推荐服务以支持决策制定利用NLP服务从大规模的文本数据中获得洞见利用计算机视觉服务从文件和图像中提取信息为ai驱动的仪表板原型构建交互式用户前端实施一个端到端的案例研究,用于构建一个人工智能驱动的客户分析仪表板

成为VIP会员查看完整内容
30

一本严谨而全面的教科书,涵盖了知识图谱的主要方法,人工智能中的一个活跃和跨学科领域。

知识图谱领域允许我们从复杂的现实世界数据中建模、处理和得出见解,在过去十年中,它已经成为人工智能的一个活跃的跨学科领域,借鉴了自然语言处理、数据挖掘和语义Web等领域。目前的项目包括预测网络攻击、推荐产品,甚至从数千篇关于COVID-19的论文中收集见解。这本教科书提供了该领域的严格和全面的覆盖。它系统地关注主要的方法,包括那些经受住时间考验的方法和最新的深度学习方法。

在介绍了介绍性和背景材料之后,本文涵盖了构建知识图谱、向知识图谱添加新知识(或在知识图中精炼旧知识)以及访问(或查询)知识图谱的技术。最后,书中描述了特定的知识图谱生态系统,与每个生态系统对应的几个现实世界的应用和案例研究。每一章结尾都有软件和资源部分,以及建议阅读的参考书目。章末练习共130个,代表了不同的抽象层次。

https://mitpress.mit.edu/9780262045094/

成为VIP会员查看完整内容
24
登陆后查看更多精品内容
VIP会员
本周荟萃主题
区块链
区块链(Blockchain)是由节点参与的分布式数据库系统,它的特点是不可更改,不可伪造,也可以将其理解为账簿系统(ledger)。它是比特币的一个重要概念,完整比特币区块链的副本,记录了其代币(token)的每一笔交易。通过这些信息,我们可以找到每一个地址,在历史上任何一点所拥有的价值。
深度学习
机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。
机器学习
“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。”

——中文维基百科
强化学习
强化学习(RL)是机器学习的一个领域,与软件代理应如何在环境中采取行动以最大化累积奖励的概念有关。除了监督学习和非监督学习外,强化学习是三种基本的机器学习范式之一。 强化学习与监督学习的不同之处在于,不需要呈现带标签的输入/输出对,也不需要显式纠正次优动作。相反,重点是在探索(未知领域)和利用(当前知识)之间找到平衡。 该环境通常以马尔可夫决策过程(MDP)的形式陈述,因为针对这种情况的许多强化学习算法都使用动态编程技术。经典动态规划方法和强化学习算法之间的主要区别在于,后者不假设MDP的确切数学模型,并且针对无法采用精确方法的大型MDP。
推荐系统
推荐系统,是指根据用户的习惯、偏好或兴趣,从不断到来的大规模信息中识别满足用户兴趣的信息的过程。推荐推荐任务中的信息往往称为物品(Item)。根据具体应用背景的不同,这些物品可以是新闻、电影、音乐、广告、商品等各种对象。推荐系统利用电子商务网站向客户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为,向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大,商品个数和种类快速增长,顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题,个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
卷积神经网络
在深度学习中,卷积神经网络(CNN或ConvNet)是一类深度神经网络,最常用于分析视觉图像。基于它们的共享权重架构和平移不变性特征,它们也被称为位移不变或空间不变的人工神经网络(SIANN)。它们在图像和视频识别,推荐系统,图像分类,医学图像分析,自然语言处理,和财务时间序列中都有应用。
计算机网络
计算机网络( Computer Networks )指将地理位置不同的多台计算机及其外部设备,通过通信线路连接起来,在网络操作系统及网络通信协议的管理和协调下,实现资源共享和信息传递的计算机系统。
命名实体识别
命名实体识别(NER)(也称为实体标识,实体组块和实体提取)是信息抽取的子任务,旨在将非结构化文本中提到的命名实体定位和分类为预定义类别,例如人员姓名、地名、机构名、专有名词等。
机器翻译
机器翻译,又称为自动翻译,是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。它是计算语言学的一个分支,是人工智能的终极目标之一,具有重要的科学研究价值。
计算机视觉
计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。
微信扫码咨询专知VIP会员