会员
人工智能原理与实践
更新时间：2023-04-21 19:03:58 最新章节：13.3 短期回报率预测模型
书籍简介
人工智能的日益广泛的应用和普及，而要深入理解人工智能，我们必须全面理解底层的各类机器学习算法基本原理并能驾驭人工智能各种应用。《人工智能原理与实践》分为13章，前7章为原理篇。原理篇中，我们重点讨论机器学习模型建模的全部流程，各类常用的机器学习算法原理，深度学习和强化学习原理，机器学习涉及的优化论原理，以及机器学习和自然语言处理技术。后面6章为实战篇，我们重点讨论信用卡场景中的客户细分，保险行业中的生活事件时间序列预测，电商交易中欺诈客户预测，信用卡和金融贷款场景中的风控预测，房价估值和预测，以及股市短期回报率预测等多个实际应用场景。《人工智能原理与实践》理论知识覆盖面广而又保留了有价值的推导，特别适合在各个行业工作的数据科学从业者，在校学习的人工智能和数据科学专业学生，科技公司的管理者和决策者，以及人工智能的初学者和爱好者。
品牌：北大出版社
上架时间：2022-05-01 00:00:00
出版社：北京大学出版社
本书数字版权由北大出版社提供，并由其授权上海阅文信息技术有限公司制作发行
最新章节
刘春雷
同类热门书
最新上架
- 会员本书以人工智能技术在合成生物学领域的理论、方法及应用为主线，详细阐述人工智能在合成生物学不同层面设计中的应用进展，深入讨论人工智能在合成生物学实际应用中面临的挑战与困难。本书先概述合成生物学与人工智能基本概念以及发展简史，然后介绍人工智能技术在生物元件、生物模块、生物系统设计方面的应用，并通过案例展示了人工智能与合成生物学技术在生物医药领域的研究进展，最后分析了人工智能驱动合成生物技术的发展趋势，计算机23万字
- 会员全书从逻辑上共分3部分。第一部分由第1章和第2章组成，介绍深度学习的基础理论、MindSpore总体架构和编程基础。第二部分由第3～8章组成，介绍MindSpore框架各子系统的具体情况，包括数据处理、算子、神经网络模型开发、数据可视化组件MindInsight、推理、以及移动端AI框架MindSporeLite。第三部分由第9章和第10章组成，介绍使用MindSpore框架开发和训练的经典深度计算机13万字
- 会员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章介绍这三类基计算机13.4万字
- 会员本书以Python3.10.7为平台，以实际应用为背景，通过概念、公式、经典应用相结合的形式，深入浅出地介绍了Python图形图像处理经典实现。全书共10章，主要包括绪论、迈进Python、Python图形用户界面、数据可视化分析、图像视觉增强分析、图像视觉复原分析、图像视觉几何变换与校正分析、图像视觉分割技术分析、图像视觉描述与特征提取分析、车牌识别分析等内容。通过本书的学习，读者可领略到Py计算机12.3万字
- 会员《ChatGLM3大模型本地化部署、应用开发与微调》作为《PyTorch2.0深度学习从零开始学》的姊妹篇，专注于大模型的本地化部署、应用开发以及微调等。《ChatGLM3大模型本地化部署、应用开发与微调》不仅系统地阐述了深度学习大模型的核心理论，更注重实践应用，通过丰富的案例和场景，引导读者从理论走向实践，真正领悟和掌握大模型本地化应用的精髓。全书共分13章，全方位、多角度地展示了大模型本地化计算机13万字
- 会员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计算机15.8万字
- 会员ChatGPT作为人工智能领域的一大进步，引起了热议，其强大功能的背后离不开大模型的支持。大模型指的是参数规模超过千万的机器学习模型，主要应用于语音识别、计算机视觉等领域。本书聚焦大模型，对大模型的技术场景和商业应用展开详细叙述。本书主要从典型应用ChatGPT入手，探寻其背后支撑大模型的魅力。首先，本书对大模型的基础概念、产业格局、带来的新型商业模式进行讲解，展现了大模型的发展现状和商业化潜力。计算机13.2万字
- 会员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，但是最计算机7.4万字