理解TensorFlow模型模式和ML工作流中的最佳實踐。 使用代碼段作為構(gòu)建TensorFlow模型和工作流的模板。 通過集成TensorFlowHub中的預(yù)建模型節(jié)省開發(fā)時間。 使用加速器集群（如GPU或TPU）充分利用分布式訓(xùn)練。 對數(shù)據(jù)攝取、訓(xùn)練模型、模型保存和推理做出明智的設(shè)計選擇。

研究張量，這是機(jī)器學(xué)習(xí)中最基本的結(jié)構(gòu)。 通過一個真實示例完成數(shù)據(jù)與張量的來回轉(zhuǎn)換。 使用TensorFlow.js結(jié)合AI和Web。 使用資源轉(zhuǎn)換、訓(xùn)練和管理機(jī)器學(xué)習(xí)數(shù)據(jù)。 從頭開始構(gòu)建和訓(xùn)練你自己的訓(xùn)練模型。

本書針對深度學(xué)習(xí)及開源框架——PyTorch，采用簡明的語言進(jìn)行知識的講解，注重實戰(zhàn)。全書分為4篇，共19章。深度學(xué)習(xí)基礎(chǔ)篇（第1章~第6章）包括PyTorch簡介與安裝、機(jī)器學(xué)習(xí)基礎(chǔ)與線性回歸、張量與數(shù)據(jù)類型、分類問題與多層感知器、多層感知器模型與模型訓(xùn)練、梯度下降法、反向傳播算法與內(nèi)置優(yōu)化器。計算機(jī)視覺篇（第7章~

隨著云計算、大數(shù)據(jù)等的快速發(fā)展，越來越多的組織用信息化手段進(jìn)行流程管理。如何提升流程執(zhí)行的智能化程度、動態(tài)性和柔性，以提高對非標(biāo)準(zhǔn)業(yè)務(wù)的管理效率，是流程管理面臨的一個重要問題。 本書基于流程管理系統(tǒng)積累的日志，提出了3種流程管理的工作流活動推薦方法，分別為基于用戶類別近鄰的活動推薦方法、基于Pearson相關(guān)系數(shù)的活動

本書通過扎實、詳細(xì)的內(nèi)容和清晰的結(jié)構(gòu)，從算法理論、算法源碼、實驗結(jié)果等方面對深度學(xué)習(xí)算法進(jìn)行分析和介紹。本書共三篇，第一篇主要介紹深度學(xué)習(xí)在計算機(jī)視覺方向的一些卷積神經(jīng)網(wǎng)絡(luò)，從基礎(chǔ)骨干網(wǎng)絡(luò)、輕量級CNN、模型架構(gòu)搜索3個方向展開，介紹計算機(jī)視覺方向的里程碑算法；第二篇主要介紹深度學(xué)習(xí)在自然語言處理方向的重要突破，包括基

全書可分為五大部分，闡述了分布式人工智能的基礎(chǔ)知識以及相關(guān)進(jìn)展，包括分布式人工智能簡介、分布式規(guī)劃與優(yōu)化、多智能體博弈、多智能體學(xué)習(xí)和分布式人工智能應(yīng)用。除此之外，由于本領(lǐng)域尚處于蓬勃發(fā)展階段，相關(guān)技術(shù)與應(yīng)用層出不窮，因此書中還提供了研究者對于分布式人工智能發(fā)展的相關(guān)預(yù)測，主要集中在：第一，更復(fù)雜和更大規(guī)模的分布式人工

本書在理解算法如何工作和如何更好地調(diào)整模型之間架起一座橋梁。本書將幫助你掌握開發(fā)主要機(jī)器學(xué)習(xí)模型的技能，包括監(jiān)督和無監(jiān)督學(xué)習(xí)（其中包括線性/對率回歸）、決策樹、隨機(jī)森林、梯度提升機(jī)（GBM）、神經(jīng)網(wǎng)絡(luò)、k均值聚類、主成分分析和推薦系統(tǒng)。你將通過應(yīng)用于文本挖掘的CNN、RNN和Word2vec接觸到*新的深度學(xué)習(xí)，并學(xué)習(xí)

本書著重介紹人工智能基礎(chǔ)知識，構(gòu)建人工智能通識體系，覆蓋人工智能典型應(yīng)用領(lǐng)域。在基本知識體系的基礎(chǔ)上，對人工智能的算法進(jìn)行定性介紹，同時輔以豐富的人工智能行業(yè)典型應(yīng)用案例。本書分為兩篇，包含10章�；�礎(chǔ)知識篇圍繞人工智能基礎(chǔ)知識體系，主要介紹了人工智能概念與發(fā)展，人工智能生態(tài)及體系框架，以及人工智能感知技術(shù)，如計算機(jī)視

深度學(xué)習(xí)和自然計算是人工智能領(lǐng)域中的熱點研究方向。通過研究分析、模擬人腦的認(rèn)知機(jī)理以及自然系統(tǒng)的智能行為和機(jī)制，構(gòu)造相應(yīng)的學(xué)習(xí)模型與優(yōu)化算法，利用先進(jìn)的計算工具實現(xiàn)高效的計算智能方法，并用于解決實際工程問題是人工智能研究的重要途徑。本書共分11章，主要介紹人工智能、神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)

本書基于TensorFlow.NET框架，詳細(xì)介紹了.NET平臺下深度學(xué)習(xí)的基礎(chǔ)原理和應(yīng)用技術(shù)，不僅闡述了算法原理，還演示了實踐代碼和運行效果，其中完整示例主要采用的語言為C#和F#。全書分為3個部分：第一部分介紹了核心API的用法和基礎(chǔ)示例，包括數(shù)據(jù)類型、張量、EagerMode、自動求導(dǎo)、線性回歸、邏輯回歸、tf.