本书共9章。第1章从人工智能发展史引出深度学习的概念；第2章介绍了深度学习的理论基础；第3章介绍了深度学习在物体智能检测中的应用；第4章则阐述了深度学习在人体行为智能分析中的应用；第5章介绍深度学习在信息预测中的应用；第6章讲述了深度学习在图像去噪方面的应用；第7章阐述了深度学习在视频智能监控中的应用；第8章讲述了深度学习在智能消防中的应用；第9章介绍了深度学习在智能交通中的应用。

本书共9章，内容包括近年来作者在Clifford代数上的模糊运算与时标上Clifford代数的紧几乎自守函数理论及应用方面的最新研究成果，主要包括概周期时标上的紧几乎自守函数的定义及基本性质，在Clifford代数上的模糊运算的定义及相关性质以及时标上Clifford值神经网络系统的概周期解、伪概周期解、加权伪概周期解、几乎自守解的存在性问题方面的应用。

《深度学习模式与实践》通过介绍**实践、设计模式和可复制的架构，指导读者的深度学习项目从实验室走向应用。本书收集并阐明了近十年来真实世界中深度学习最紧密的洞察。读者将通过每个有趣的例子学习相关技能，并建立信心。《深度学习模式与实践》深入研究了如何构建成功的深度学习应用程序。通过将经过验证的模式和实践应用到自身项目中，读者将节省数小时的试错时间。本书通过测试的代码示例、真实世界示例和出色的叙事风格，使复杂的概念变得简单和有趣。在此过程中，读者将学会相关技巧来部署、测试和维护项目。本书的内容包括：现

量子计算与人工智能的交叉融合，促使量子人工智能的不断发展。本书旨在采用对深度学习爱好者友好的方式，构建量子人工智能应用。全书共13章，第1章和第2章系统介绍量子计算机发展脉络和量子计算编程的基础知识。第3~7章分别介绍不同的深度学习方法和在这些算法逻辑上构建量子启发算法的方式，用量子线路中的相位作为神经网络的可学习参数，重构为量子神经网络算子。这些算子可以在PyTorch环境中直接调用。第8章和第9章是量子人工智能的进阶知识，讲解不同量子算法的可行的评估方式和量子神经网络基于Torch.Scri

本书侧重于实证维度的经济和金融问题，以及如何用机器学习方法求解这些问题，通过建立相关模型得出相应的结论。这包括各种区分深度学习模型(DNNs、cnn、lstm和DQNs)、生成机器学习模型(gan和VAEs)和基于树的模型。本书内容还涵盖了经济学和机器学习的经验方法的交叉，包括回归分析，自然语言处理，和降维。本书的读者对象为本专科学生以及研究生，在经济和金融领域工作的数据科学家，公共和私营部门的经济学家，以及社会科学研究者。

《细说PyTorch深度学习：理论、算法、模型与编程实现》由业界专家编撰，采用理论描述加代码实践的思路，详细介绍PyTorch的理论知识及其在深度学习中的应用。全书分为两篇，共16章。第一篇为基础知识，主要介绍PyTorch的基本知识、构建开发环境、卷积网络、经典网络、模型保存和调用、网络可视化、数据加载和预处理、数据增强等内容；第二篇为高级应用，主要介绍数据分类、迁移学习、人脸检测和识别、生成对抗网络、目标检测、ViT等内容。本书内容涵盖PyTorch从入门到深度学习的各个方面，是一本基础应用

本书从工业背景下的机器学习技术需求出发,详细讨论机器学习的各个分支技术,包括矩阵型分类学习技术、多视角学习技术、不平衡数据分类学习技术、集成学习技术和深度学习技术等,并在此基础上,对机器学习相关的应用系统进行了分析。全书采取理论与实践并重的方式介绍机器学习技术,在理论层面,力求覆盖面广,涵盖机器学习技术的所有重要分支;在具体技术层面,力求深入浅出,重点介绍技术产生的应用背景,以及该技术解决应用中痛点问题的基本原理;在实践层面,介绍了机器学习技术如何应用于实际的应用场景,如脑电情感识别、声纹识别和

本书主要讲解分布式机器学习算法和开源框架，读者既可以从宏观的设计上了解分布式机器学习的概念和理论，也可以深入核心技术的细节设计中，对分布式机器学习形成深刻而直观的认识，做到学以致用。本书共分为5篇，第1篇是分布式基础，首先介绍了分布式机器学习的概念、基础设施，以及机器学习并行化技术、框架和软件系统，然后对集合通信和参数服务器PS-Lite进行了介绍。第2篇是数据并行，以PyTorch和Horovod为主对数据并行进行分析，读者可以了解在具体工程领域内实现数据并行有哪些挑战和解决方案。第3篇是流水

新生事物的出现引发了一系列激烈的讨论，不难发现舆论声浪中夹杂着令人不安和无奈的概念混淆，甚至有人把ChatGPT等同于GPT，或等同于AI。对于新生事物，过度吹捧和质疑都是不科学的。 本书的写作建立在大量调查研究和资讯的基础上，对ChatGPT、GPT和AI的发展进行了全面分析，帮助读者了解三者的不同，厘清ChatGPT的实质，看到GPT的技术突破，展望AI对人类社会的影响。 本书力求做到： ◎厘清ChatGPT、GPT、AI等基本概念； ◎探讨ChatGPT今天已经达到什么水平以及可能带来的影

《联邦学习原理与算法》系统介绍了联邦学习的全貌，内容丰富，兼顾算法理论与实践。算法部分包含横向联邦、纵向联邦等不同的数据建模方式，重点讨论了联邦学习由于数据异质性和设备异质性带来的算法稳定性、隐私性挑战及其解决策略，这对每一个联邦学习框架设计者来说都是至关重要但却容易忽略的部分；实践部分介绍了当前主流的联邦学习框架，并进行对比，然后给出相同算法的不同实现供读者比较。《联邦学习原理与算法》重点介绍了联邦学习计算机视觉及推荐系统等方面的应用，方便算法工程师拓展当前的算法框架，对金融、医疗、边缘计算、