许多行业都渴望将AI和数据驱动技术集成到他们的系统和运营中。但要建立真正成功的人工智能系统,你需要牢固掌握基础数学。这份全面的指南弥补了人工智能的潜力和应用与其相关数学基础之间的表述差距。

https://www.oreilly.com/library/view/essential-math-for/9781098107628/

以沉浸式和对话的风格,这本书调研了在人工智能领域蓬勃发展所需的数学,专注于现实世界的应用和最先进的模型,而不是密集的学术理论。您将探索诸如回归、神经网络、卷积、优化、概率、图、随机游走、马尔可夫过程、微分方程等主题,在面向计算机视觉、自然语言处理、生成模型、强化学习、运筹学和自动化系统的独家人工智能背景下。本书面向广泛的读者,包括工程师、数据科学家、数学家、科学家和处于职业生涯早期的人,为在人工智能和数学领域取得成功奠定了坚实的基础。

你将能够: * 轻松地说人工智能、机器学习、数据科学和数学的语言 * 将机器学习模型和自然语言模型统一在一个数学结构下 * 轻松处理图和网络数据 * 探索真实数据,可视化空间变换,降低维度,处理图像 * 决定在不同的数据驱动项目中使用哪些模型 * 探索人工智能的各种含义和限制

成为VIP会员查看完整内容
159

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。
【2022新书】机器学习药物设计,371页pdf
专知会员服务
81+阅读 · 2022年10月15日
【2022新书】应用深度学习:工具、技术与实现,355页pdf
专知会员服务
129+阅读 · 2022年7月26日
【2022新书】机器学习中的概率数值计算,412页pdf
专知会员服务
90+阅读 · 2022年7月7日
专知会员服务
252+阅读 · 2021年10月8日
专知会员服务
142+阅读 · 2021年8月12日
自然语言处理现代方法,176页pdf
专知会员服务
267+阅读 · 2021年2月22日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
7+阅读 · 2013年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年6月30日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
14+阅读 · 2022年5月6日
Conditional Prompt Learning for Vision-Language Models
Arxiv
13+阅读 · 2022年3月10日
Arxiv
13+阅读 · 2021年10月9日
Arxiv
17+阅读 · 2019年3月28日
A Survey on Deep Learning for Named Entity Recognition
Arxiv
73+阅读 · 2018年12月22日
Arxiv
26+阅读 · 2018年8月19日
VIP会员
相关VIP内容
【2022新书】机器学习药物设计,371页pdf
专知会员服务
81+阅读 · 2022年10月15日
【2022新书】应用深度学习:工具、技术与实现,355页pdf
专知会员服务
129+阅读 · 2022年7月26日
【2022新书】机器学习中的概率数值计算,412页pdf
专知会员服务
90+阅读 · 2022年7月7日
专知会员服务
252+阅读 · 2021年10月8日
专知会员服务
142+阅读 · 2021年8月12日
自然语言处理现代方法,176页pdf
专知会员服务
267+阅读 · 2021年2月22日
相关基金
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
7+阅读 · 2013年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年6月30日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
相关论文
Arxiv
14+阅读 · 2022年5月6日
Conditional Prompt Learning for Vision-Language Models
Arxiv
13+阅读 · 2022年3月10日
Arxiv
13+阅读 · 2021年10月9日
Arxiv
17+阅读 · 2019年3月28日
A Survey on Deep Learning for Named Entity Recognition
Arxiv
73+阅读 · 2018年12月22日
Arxiv
26+阅读 · 2018年8月19日
微信扫码咨询专知VIP会员