機(jī)器學(xué)習(xí)雖然對(duì)改進(jìn)產(chǎn)品性能和推進(jìn)研究有很大的潛力，但無法對(duì)它們的預(yù)測(cè)做出解釋，這是當(dāng)前面臨的一大障礙�！犊山忉寵C(jī)器學(xué)習(xí)：黑盒模型可解釋性理解指南》書是一本關(guān)于使機(jī)器學(xué)習(xí)模型及其決策具有可解釋性的書。本書探索了可解釋性的概念，介紹了簡(jiǎn)單的、可解釋的模型，例如決策樹、決策規(guī)則和線性回歸，重點(diǎn)介紹了解釋黑盒模型的、與模型無關(guān)

本書針對(duì)產(chǎn)業(yè)界在智能化過程中普遍面臨的數(shù)據(jù)不足問題，詳細(xì)地闡述了聯(lián)邦學(xué)習(xí)如何幫助企業(yè)引入更多數(shù)據(jù)、提升機(jī)器學(xué)習(xí)模型效果�；ヂ�(lián)網(wǎng)數(shù)據(jù)一般分布在不同的位置，受隱私保護(hù)法規(guī)限制不能共享，形成了“數(shù)據(jù)孤島”。聯(lián)邦學(xué)習(xí)像“數(shù)據(jù)孤島”之間的特殊橋梁，通過傳輸變換后的臨時(shí)變量，既能實(shí)現(xiàn)模型效果提升，又能確保隱私信息的安全。本書介紹了

周志華老師的《機(jī)器學(xué)習(xí)》（俗稱“西瓜書”）是機(jī)器學(xué)習(xí)領(lǐng)域的經(jīng)典入門教材之一。本書（俗稱“南瓜書”）基于Datawhale成員自學(xué)“西瓜書”時(shí)記下的筆記編著而成，旨在對(duì)“西瓜書”中重難點(diǎn)公式加以解析，以及對(duì)部分公式補(bǔ)充具體的推導(dǎo)細(xì)節(jié)。 全書共16章，與“西瓜書”章節(jié)、公式對(duì)應(yīng)，每個(gè)公式的推導(dǎo)和解析都以本科數(shù)學(xué)基礎(chǔ)的視角

本書以知識(shí)表示與處理所涉及的相關(guān)知識(shí)，如知識(shí)獲取、知識(shí)表示、知識(shí)推理、知識(shí)遷移等內(nèi)容為主體，完整呈現(xiàn)了知識(shí)表示與處理的知識(shí)體系。本書首先，介紹了知識(shí)表示與處理的發(fā)展、相關(guān)概念、流程等；其次，介紹了知識(shí)獲取的內(nèi)容；再次，重點(diǎn)介紹了知識(shí)表示的各種方法，如邏輯謂詞、產(chǎn)生式規(guī)則、語義網(wǎng)絡(luò)、本體、知識(shí)圖譜等，以及知識(shí)推理所涉及的

人工智能時(shí)代已經(jīng)來臨，這項(xiàng)技術(shù)正在改變?nèi)祟惖恼J(rèn)知和生活，也對(duì)社會(huì)各個(gè)領(lǐng)域產(chǎn)生了重大的影響。本書從理論基礎(chǔ)、商業(yè)落地、實(shí)戰(zhàn)場(chǎng)景、案例分析多個(gè)方面介紹人工智能，講述人工智能對(duì)農(nóng)業(yè)、金融、娛樂、醫(yī)療、營(yíng)銷、工業(yè)、教育等領(lǐng)域的影響。另外，為了迎合時(shí)代熱點(diǎn)，本書還分析了人工智能與5G、區(qū)塊鏈等前沿技術(shù)的融合及融合效果，使讀者了解

本書以數(shù)據(jù)驅(qū)動(dòng)的數(shù)學(xué)問題研究為核心，是一部由研究工作構(gòu)成的原創(chuàng)著作。全書共分7章，按三個(gè)模塊劃分：第一個(gè)模塊是研究背景和框架介紹，即第1章緒論，這是本書主題內(nèi)容的一個(gè)導(dǎo)論；第二個(gè)模塊是粒度空間的基礎(chǔ)理論及模型，由第2～5章組成，其中涉及粒度空間的基本理論，結(jié)構(gòu)聚類特征與融合，以及聚類結(jié)構(gòu)分析理論等研究；第三個(gè)模塊是粒度

知識(shí)圖譜的發(fā)展歷史源遠(yuǎn)流長(zhǎng)，從經(jīng)典人工智能的核心命題——知識(shí)工程，到互聯(lián)網(wǎng)時(shí)代的語義Web，再到當(dāng)下很多領(lǐng)域構(gòu)建的數(shù)千億級(jí)別的現(xiàn)代知識(shí)圖譜。知識(shí)圖譜兼具人工智能、大數(shù)據(jù)和互聯(lián)網(wǎng)的多重技術(shù)基因，是知識(shí)表示、表示學(xué)習(xí)、自然語言處理、圖數(shù)據(jù)庫(kù)和圖計(jì)算等多個(gè)領(lǐng)域技術(shù)的綜合集成。本書全面覆蓋了知識(shí)圖譜的表示、存儲(chǔ)、獲取、推理、融

演化學(xué)習(xí)作為機(jī)器學(xué)習(xí)中解決復(fù)雜優(yōu)化問題的重要方法，此前一直因?yàn)槔碚撝�撐不足未得到�?yīng)有重視。本書將介紹作者團(tuán)隊(duì)近幾年在演化學(xué)習(xí)理論和算法方面取得的重要進(jìn)展，彌補(bǔ)上述缺憾。本書內(nèi)容主要分四部分，第一部分簡(jiǎn)要介紹演化學(xué)習(xí)基礎(chǔ)知識(shí)；第二部分講述演化算法中用于分析運(yùn)行時(shí)和近似性能的通用理論工具；第三部分講解關(guān)于演化優(yōu)化中主要因素

機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)與人工智能的重要分支領(lǐng)域.本書作為該領(lǐng)域的入門教材，在內(nèi)容上盡可能涵蓋機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)的各方面.全書共16章，大致分為3個(gè)部分：第1部分（第1～3章）介紹機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)；第2部分（第4～10章）討論一些經(jīng)典而常用的機(jī)器學(xué)習(xí)方法（決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯分類器、集成學(xué)習(xí)、聚類、降維與度

本書主要內(nèi)容包括機(jī)器學(xué)習(xí)介紹，NumPy、Pandas、SciPy庫(kù)、Matplotlib（可視化）四個(gè)基礎(chǔ)模塊，Scikit-learn算法、模型、擬合、過擬合、欠擬合、模型性能度量指標(biāo)、數(shù)據(jù)標(biāo)準(zhǔn)化、非線性轉(zhuǎn)換、離散化，以及特征抽取和降維的各種方法，包括特征哈希、文本特征抽取、特征聚合等。全書通過實(shí)用范例和圖解形式講