人工智能(AI)无疑在汽车技术中扮演着越来越重要的角色。事实上,汽车是为数不多的几个领域之一,你可以在一个产品中发现许多人工智能创新。

《AI for Cars》提供了一个简短的导览,介绍了许多不同的人工智能景观,包括机器人技术、图像和语音处理、推荐系统和深度学习,所有这些都与汽车世界有关。从行人检测到司机监控,再到推荐引擎,这本书讨论了数千名有才华的工程师和研究人员迄今为止所取得的背景、研究和进展,以及他们在世界各地部署这种救生技术的计划。

https://www.routledge.com/AI-for-Cars/Aulinas-Sjafrie/p/book/9780367565190#

成为VIP会员查看完整内容
0
50

相关内容

人工智能(Artificial Intelligence, AI )是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支。

深度学习:全面指南提供了深度学习(DL)和机器学习(ML)的概念的全面覆盖。DL和ML是最受欢迎的领域,需要深刻的理解。这本书使读者能够基于ML和DL构建创新和有用的应用。从神经网络的基础开始,并继续通过各种类型的CNN, RNNs, LSTM的架构,以及更多,直到书的结尾,每一个主题都给予了最大的照顾和专业和全面的塑造。

https://www.routledge.com/Deep-Learning-A-Comprehensive-Guide/Vasudevan-Pulari-Vasudevan/p/book/9781032028828

关键特征: 包括从ML概念到DL概念的平稳过渡

对于所有基于代码的示例,都提供了逐行解释

包括许多实际的例子和面试问题

即使是非计算机科学背景的人也可以从这本书中受益,学习理论、例子、案例研究和代码片段

每一章都以目标开始,并以一组测试读者理解力的测试问题结束

包括对提供额外指导的相关YouTube视频的引用

人工智能是每个人的领域。这本书面向所有人,不论他们的专业领域是什么。毕业生和研究人员在深度学习将发现这本书有用。

成为VIP会员查看完整内容
0
50

这本书通过探索计算机科学理论和机器学习双方可以相互传授的内容,将理论和机器学习联系起来。它强调了对灵活、易于操作的模型的需求,这些模型更好地捕捉使机器学习变得容易的东西,而不是让机器学习变得困难的东西。

理论计算机科学家将被介绍到机器学习的重要模型和该领域的主要问题。机器学习研究人员将以一种可访问的格式介绍前沿研究,并熟悉现代算法工具包,包括矩法、张量分解和凸规划松弛。

超越最坏情况分析的处理方法是建立对实践中使用的方法的严格理解,并促进发现令人兴奋的、解决长期存在的重要问题的新方法。

在这本书中,我们将涵盖以下主题:

(a)非负矩阵分解

(b)主题建模

(c)张量分解

(d)稀疏恢复

(e)稀疏编码

(f)学习混合模型

(g)矩阵补全

https://www.cambridge.org/core/books/algorithmic-aspects-of-machine-learning/165FD1899783C6D7162235AE405685DB

成为VIP会员查看完整内容
0
58

这本书的目的是介绍计算机科学家所需要的一些基本数学知识。读者并不期望自己是数学家,我们希望下面的内容对你有用。

成为VIP会员查看完整内容
0
102

本教科书通过应用在电气工程和计算机科学(EECS)说明了应用概率的技术。作者介绍了使用基于概率模型和技术的算法的信息处理和通信系统,包括网络搜索、数字链接、语音识别、GPS、路线规划、推荐系统、分类和估计。然后,他解释了这些应用是如何工作的,并在此过程中,为读者提供了应用概率的关键概念和方法的理解。Python实验室使读者能够进行实验并巩固他们的理解。这个版本包括新的主题,统计测试,社会网络,排队网络,和神经网络。有关本书的辅助资料,包括Python演示和伯克利使用的Python实验室的例子。

https://library.oapen.org/handle/20.500.12657/50016

成为VIP会员查看完整内容
1
33

这本书提供了使“机器学习”系统更可解释的最新概念和可用的技术的全面介绍。本文提出的方法几乎可以应用于所有当前的“机器学习”模型: 线性和逻辑回归、深度学习神经网络、自然语言处理和图像识别等。

机器学习(Machine Learning)的进展正在增加使用人工代理来执行以前由人类处理的关键任务(医疗、法律和金融等)。虽然指导这些代理设计的原则是可以理解的,但目前大多数深度学习模型对人类的理解是“不透明的”。《Python可解释人工智能》通过从理论和实践的角度,填补了目前关于这一新兴主题的文献空白,使读者能够快速使用可解释人工智能的工具和代码。

本书以可解释AI (XAI)是什么以及为什么在该领域需要它为例开始,详细介绍了根据特定背景和需要使用XAI的不同方法。然后介绍利用Python的具体示例对可解释模型的实际操作,展示如何解释内在的可解释模型以及如何产生“人类可理解的”解释。XAI的模型不可知方法可以在不依赖于“不透明”的ML模型内部的情况下产生解释。使用计算机视觉的例子,作者然后着眼于可解释的模型的深度学习和未来的展望方法。从实践的角度,作者演示了如何在科学中有效地使用ML和XAI。最后一章解释了对抗性机器学习以及如何使用对抗性例子来做XAI。

https://www.springer.com/gp/book/9783030686390

成为VIP会员查看完整内容
1
99

近年来,自然语言处理的研究方法取得了一些突破。这些突破来源于两个新的建模框架以及在计算和词汇资源的可用性的改进。在这个研讨会小册子中,我们将回顾这些框架,以一种可以被视为现代自然语言处理开端的方法论开始:词嵌入。我们将进一步讨论将嵌入式集成到端到端可训练方法中,即卷积神经网络和递归神经网络。这本小册子的第二章将讨论基于注意力的模型的影响,因为它们是最近大多数最先进的架构的基础。因此,我们也将在本章中花很大一部分时间讨论迁移学习方法在现代自然语言处理中的应用。最后一章将会是一个关于自然语言生成的说明性用例,用于评估最先进的模型的训练前资源和基准任务/数据集。

https://compstat-lmu.github.io/seminar_nlp_ss20/

在过去的几十年里,人工智能技术的重要性和应用不断得到关注。在当今时代,它已经与构成人类塑造环境的大部分环境密不可分。因此,商业、研究和开发、信息服务、工程、社会服务和医学等无数部门已经不可逆转地受到人工智能能力的影响。人工智能有三个主要领域组成了这项技术:语音识别、计算机视觉和自然语言处理(见Yeung (2020))。在这本书中,我们将仔细研究自然语言处理(NLP)的现代方法。

这本小册子详细介绍了用于自然语言处理的现代方法,如深度学习和迁移学习。此外,本研究亦会研究可用于训练自然语言处理任务的资源,并会展示一个将自然语言处理应用于自然语言生成的用例。

为了分析和理解人类语言,自然语言处理程序需要从单词和句子中提取信息。由于神经网络和其他机器学习算法需要数字输入来进行训练,因此应用了使用密集向量表示单词的词嵌入。这些通常是通过有多个隐藏层的神经网络学习的,深度神经网络。为了解决容易的任务,可以应用简单的结构神经网络。为了克服这些简单结构的局限性,采用了递归和卷积神经网络。因此,递归神经网络用于学习不需要预先定义最佳固定维数的序列的模型,卷积神经网络用于句子分类。第二章简要介绍了NLP中的深度学习。第三章将介绍现代自然语言处理的基础和应用。在第四章和第五章中,将解释和讨论递归神经网络和卷积神经网络及其在自然语言处理中的应用。

迁移学习是每个任务或领域的学习模型的替代选择。在这里,可以使用相关任务或领域的现有标记数据来训练模型,并将其应用到感兴趣的任务或领域。这种方法的优点是不需要在目标域中进行长时间的训练,并且可以节省训练模型的时间,同时仍然可以(在很大程度上)获得更好的性能。迁移学习中使用的一个概念是注意力,它使解码器能够注意到整个输入序列,或自注意,它允许一个Transformer 模型处理所有输入单词,并建模一个句子中所有单词之间的关系,这使得快速建模一个句子中的长期依赖性成为可能。迁移学习的概念将在小册子的第6章简要介绍。第七章将通过ELMo、ULMFiT和GPT模型来描述迁移学习和LSTMs。第八章将详细阐述注意力和自注意力的概念。第九章将迁移学习与自注意力相结合,介绍了BERT模型、GTP2模型和XLNet模型。

为NLP建模,需要资源。为了找到任务的最佳模型,可以使用基准测试。为了在基准实验中比较不同的模型,需要诸如精确匹配、Fscore、困惑度或双语评估替补学习或准确性等指标。小册子的第十章简要介绍了自然语言处理的资源及其使用方法。第11章将解释不同的指标,深入了解基准数据集SQuAD、CoQa、GLUE和SuperGLUE、AQuA-Rat、SNLI和LAMBADA,以及可以找到资源的预训练模型和数据库,如“带代码的论文”和“大坏的NLP数据库”。

在小册子的最后一章中,介绍了生成性NLP处理自然语言生成,从而在人类语言中生成可理解的文本。因此,不同的算法将被描述,聊天机器人和图像字幕将被展示,以说明应用的可能性。

本文对自然语言处理中各种方法的介绍是接下来讨论的基础。小册子的各个章节将介绍现代的NLP方法,并提供了一个更详细的讨论,以及各种示例的潜力和限制。

成为VIP会员查看完整内容
0
168

获得金融、医疗保健和零售领域的机器学习实用技能。这本书通过提供这些领域的案例研究,使用了动手的方法:你将看到如何使用机器学习作为商业增强工具的例子。作为一名领域专家,您不仅会发现机器学习在金融、医疗保健和零售领域是如何应用的,而且还会通过实施机器学习的实际案例研究进行工作。

使用Python的机器学习应用程序分为三个部分,分别针对每个领域(医疗保健、金融和零售)。每一节都以机器学习和该领域的关键技术进展的概述开始。然后,您将通过案例研究了解更多关于组织如何改变其所选择市场的游戏规则。这本书有实际的案例研究与Python代码和领域特定的创新想法赚钱的机器学习。

你会学到什么

  • 发现应用的机器学习过程和原理
  • 在医疗保健、金融和零售领域实现机器学习
  • 避免应用机器学习的陷阱
  • 在三个主题领域构建Python机器学习示例

这本书是给谁的

  • 数据科学家和机器学习专家。
成为VIP会员查看完整内容
0
92

概率论起源于17世纪的法国,当时两位伟大的法国数学家,布莱斯·帕斯卡和皮埃尔·德·费马,对两个来自机会博弈的问题进行了通信。帕斯卡和费马解决的问题继续影响着惠更斯、伯努利和DeMoivre等早期研究者建立数学概率论。今天,概率论是一个建立良好的数学分支,应用于从音乐到物理的学术活动的每一个领域,也应用于日常经验,从天气预报到预测新的医疗方法的风险。

本文是为数学、物理和社会科学、工程和计算机科学的二、三、四年级学生开设的概率论入门课程而设计的。它提出了一个彻底的处理概率的想法和技术为一个牢固的理解的主题必要。文本可以用于各种课程长度、水平和重点领域。

在标准的一学期课程中,离散概率和连续概率都包括在内,学生必须先修两个学期的微积分,包括多重积分的介绍。第11章包含了关于马尔可夫链的材料,为了涵盖这一章,一些矩阵理论的知识是必要的。

文本也可以用于离散概率课程。材料被组织在这样一种方式,离散和连续的概率讨论是在一个独立的,但平行的方式,呈现。这种组织驱散了对概率过于严格或正式的观点,并提供了一些强大的教学价值,因为离散的讨论有时可以激发更抽象的连续的概率讨论。在离散概率课程中,学生应该先修一学期的微积分。

为了充分利用文中的计算材料和例子,假设或必要的计算背景很少。所有在文本中使用的程序都是用TrueBASIC、Maple和Mathematica语言编写的。

成为VIP会员查看完整内容
0
71

德勤科技、传媒和电信行业联合推出《全球人工智能发展白皮书》。《全球人工智能发展白皮书》深入研究人工智能技术步入商业化阶段后,在全球各主要城市的创新融合应用概况,以及其将对金融、教育、数字政务、医疗、无人驾驶、零售、制造业、智慧城市等各行业带来的深刻变革。

成为VIP会员查看完整内容
3
140
小贴士
相关VIP内容
专知会员服务
50+阅读 · 1月6日
专知会员服务
58+阅读 · 2021年10月18日
专知会员服务
102+阅读 · 2021年7月27日
专知会员服务
33+阅读 · 2021年7月24日
专知会员服务
168+阅读 · 2021年2月22日
专知会员服务
92+阅读 · 2021年1月1日
专知会员服务
71+阅读 · 2020年11月25日
专知会员服务
85+阅读 · 2020年8月31日
相关论文
Xiang Li,Jinglu Wang,Xiao Li,Yan Lu
5+阅读 · 2021年12月3日
Semi-Supervised Semantic Segmentation via Adaptive Equalization Learning
Hanzhe Hu,Fangyun Wei,Han Hu,Qiwei Ye,Jinshi Cui,Liwei Wang
7+阅读 · 2021年10月11日
Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation
Jichang Li,Guanbin Li,Yemin Shi,Yizhou Yu
16+阅读 · 2021年4月19日
Pratik Kayal,Mayank Singh,Pawan Goyal
3+阅读 · 2019年10月29日
Few-shot Adaptive Faster R-CNN
Tao Wang,Xiaopeng Zhang,Li Yuan,Jiashi Feng
3+阅读 · 2019年3月22日
Antoine J. -P. Tixier
10+阅读 · 2018年8月30日
Ting-Ting Liang,Satoshi Tsutsui,Liangcai Gao,Jing-Jing Lu,Mengyan Sun
4+阅读 · 2018年6月1日
Qi Dou,Cheng Ouyang,Cheng Chen,Hao Chen,Pheng-Ann Heng
10+阅读 · 2018年4月29日
Jinjiang Guo,Pengyuan Ren,Aiguo Gu,Jian Xu,Weixin Wu
4+阅读 · 2018年4月16日
Vincent Dumoulin,Francesco Visin
6+阅读 · 2018年1月11日
Top
微信扫码咨询专知VIP会员