会员
人工智能实战进阶导引
更新时间：2023-08-25 10:33:07 最新章节：后记
书籍简介
本书选择以遮挡人脸识别这一当今世界难题为例，探索人工智能技术实战进阶之路。本书重现了笔者对人脸有无口罩识别、口罩分割提取、遮挡人脸识别等方面的技术探索与实现过程。从视频图像的智能分割、图像区域生长算法设计与实现、智能采集、智能分割、智能变换、智能融合、图像边缘智能检测、图像非局部均值滤波等角度入手，尝试了遮挡人脸图像处理的探索，并最终分别基于MATLAB和Python实现了遮挡人脸识别。本书内容通俗易懂，适用于对人工智能实战应用感兴趣但缺少专业指导的读者。无论是对遮挡人脸识别技术感兴趣的大学生，还是希望向人工智能领域转型的技术人员，都可以通过本书的指引，轻松完成人工智能实战进阶。
品牌：清华大学
上架时间：2022-06-01 00:00:00
出版社：清华大学出版社
本书数字版权由清华大学提供，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
王文峰等主编
同类热门书
最新上架
- 会员《PyTorch深度学习与企业级项目实战》立足于具体的企业级项目开发实践，以通俗易懂的方式详细介绍PyTorch深度学习的基础理论以及相关的必要知识，同时以实际动手操作的方式来引导读者入门人工智能深度学习。《PyTorch深度学习与企业级项目实战》共分18章，内容主要包括人工智能、机器学习和深度学习之间的关系，深度学习框架PyTorch2.0的环境搭建，Python数据科学库，深度学习基本原理，计算机10.8万字
- 会员《PyTorch深度学习应用实战》以统计学/数学为出发点，介绍深度学习必备的数理基础，讲解PyTorch的主体架构及最新的模块功能，包括常见算法与相关套件的使用方法，例如对象侦测、生成对抗网络、深度伪造、图像中的文字辨识、脸部辨识、BERT/Transformer、聊天机器人、强化学习、自动语音识别、知识图谱等。本书配有大量案例及图表说明，同时以程序设计取代定理证明，缩短学习过程，增加学习乐趣。计算机15.2万字
- 会员机器学习是人工智能的核心，而统计思维则是机器学习方法的核心：从随机性中寻找规律性。例如，利用损失最小化思想制定学习策略，采用概率最大化思想估计模型参数，利用方差对不确定性的捕捉构造k维树，采用贝叶斯公式构建分类决策模型，等等。只有树立正确的统计思维，才能准确高效地运用机器学习方法开展数据处理与分析。本书以统计思维的视角，揭示监督学习中回归和分类模型的核心思想，帮助读者构建理论体系。计算机18万字
- 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《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
- 会员这是一本从工程化角度讲解大语言模型的核心技术、构建方法与前沿应用的著作。首先从语言模型的原理和大模型的基础构件入手，详细梳理了大模型技术的发展脉络，深入探讨了大模型预训练与对齐的方法；然后阐明了大模型训练中的算法设计、数据处理和分布式训练的核心原理，展示了这一系统性工程的复杂性与实现路径。除了基座模型的训练方案，本书还涵盖了大模型在各领域的落地应用方法，包括低参数量微调、知识融合、工具使用和自主智计算机12.1万字
- 会员本书以人工智能为核心，上篇讲述了人工智能理论知识及发展蓝图规划，目的是帮助读者认识人工智能，找到入局人工智能领域的途径和方法；中篇罗列了可以为人工智能赋能的前沿技术，包括NLP、机器学习、大数据、物联网、区块链等；下篇总结了人工智能对交通、农业、医疗、制造、教育、金融、文娱等行业的影响和作用，旨在让读者了解人工智能是如何在这些行业实现商业化落地的。本书从多个角度出发，描绘了一幅完整的人工智能发展蓝计算机15.8万字
- 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