全書首先概要介紹了傳統(tǒng)語音識別理論和經典的深度神經網(wǎng)絡核心算法。接著全面而深入地介紹了深度學習在語音識別中的應用，包括"深度神經網(wǎng)絡-隱馬爾可夫混合模型”的訓練和優(yōu)化，特征表示學習、模型融合、自適應，以及以循環(huán)神經網(wǎng)絡為代表的若干先進深度學習技術。

本書主要介紹一種機器學習算法——提升法，主要關注其基礎理論和算法，也兼顧了應用。全書共14章，分為4個部分。首先給出機器學習算法及其分析的概要介紹，然后第一部分重點探究了提升法的核心理論及其泛化能力。第二部分主要介紹了有助于理解和解釋提升法的其他理論，包括基于博弈論的解釋、貪心算法、迭代投射算法，并與信息幾何學和凸優(yōu)化

本書全面且系統(tǒng)地介紹了機器學習測試技術與質量體系建設，分為5部分，共15章。第一部分（第1～4章）涵蓋了機器學習、Python編程、數(shù)據(jù)分析的基礎知識；第二部分（第5～7章）介紹了大數(shù)據(jù)基礎、大數(shù)據(jù)測試指南及相關工具實踐；第三部分（第8～10章）講解了機器學習測試基礎、特征專項測試及模型算法評估測試；第四部分（第11～

本書分為3部分，分別是綜述篇、通用技術篇和行業(yè)應用篇。綜述篇介紹了現(xiàn)階段人工智能產品發(fā)展情況和人工智能政策環(huán)境。通用技術篇精心挑選10個以研發(fā)底層技術為核心競爭力的企業(yè)的產品，詳細介紹了它們的實現(xiàn)思路以及現(xiàn)階段應用。行業(yè)應用篇共有24個案例，主要匯集了人工智能技術與實體經濟結合的應用案例，重點關注人工智能技術的應用場景

機器學習是一門多領域交叉學科，涉及概率論、統(tǒng)計學、矩陣論、神經網(wǎng)絡、計算機等多門學科。其目標是模擬人類的學習活動，從數(shù)據(jù)中獲取知識和技能，重新組織已有的知識結構，從而不斷改善系統(tǒng)性能。本書共9項目。項目1介紹機器學習基礎，概要介紹機器學習的發(fā)展簡史和一般步驟，以及本書涉及的方法和算法；項目2項目7討論k近鄰算法、線性回

本書全面系統(tǒng)地闡述了人工智能的基本原理，勾畫了人工智能理論和技術體系的基本框架，內容涵蓋了人工智能各個分支領域的基本知識和主要內容，并體現(xiàn)了人工智能的最新進展。本書內容全面、基礎、新穎、實用，為讀者進一步學習和研發(fā)奠定了基礎，指引了方向。全書共分為六篇，每篇為一個知識單元。本書結構風格獨特，條理清楚，語言精練，圖文并茂

本書主要介紹如何應用Tensorflow來實現(xiàn)深度學習的架構與應用。全書從tensorflow的基本語法，基礎教程、高級工具以及進階教程來對深度學習的理論與技術進行深入分析與講解，并提供大量的案例從零開始教會讀者如何使用深度學習進行開發(fā)以及應用。本書主要介紹如何應用Tensorflow來實現(xiàn)深度學習的架構與應用。全書從

本書分為14章,涵蓋的主要內容有人工智能的發(fā)展;開發(fā)環(huán)境的部署與使用;TensorFlow2.0框架結構及基本函數(shù)使用;神經網(wǎng)絡的發(fā)展與基本結構;圖像處理;TensorFlow2.0可視化工具TensorBoard;普通神經網(wǎng)絡曲線擬合;普通神經網(wǎng)絡和卷積神經網(wǎng)絡MNIST手寫字體識別;圖像風格遷移;小型汽車車牌識別;

本書屬于人工智能方面的基礎研究的著作,全面探討研究人工智能的基本理論和技術發(fā)展,由人工智能基本概念、確定性知識系統(tǒng)、不確定性知識系統(tǒng)、智能搜索技術、自然語言理解等五大部分組成。全書以人工智能為研究對象,分析人工智能的原理及其在各方面的應用,在此技術基礎上,結合現(xiàn)實需求,提出人工智能對社會的重要性與未來的發(fā)展方向。

TensorFlow是谷歌公司于2015年研發(fā)的深度學習框架。它的出現(xiàn)降低了人工智能時代的入門門檻，提高了開發(fā)效率。本書針對TensorFlow2.0版本編寫，基于工作過程進行系統(tǒng)化的體例設計，采用理論知識結合項目實例的形式，由淺入深地介紹TensorFlow深度學習框架的原理、特性、編程技巧和應用方法。本書包含深度學