边缘计算与人工智能应用开发技术

最新上架

• 会员

  情感计算

  在人工智能的研究中，既包括对于人类理性思维的模拟，还包括对人类感性思维的计算。本书重点讲述的文本情感分析技术就属于后者。该技术源于自然语言处理领域，但也有别于一般的自然语言处理任务。文本情感分析面向的处理对象是社交媒体中产生的用户评论文本，该文本的特点是带有大量的用户主观情感信息，因此该技术的核心是通过自动分析评论文本来进行情感的理解。文本情感分析技术已有20余年的研究历史，凝聚成了多项研究任务和

  秦兵 赵妍妍 林鸿飞 王素格 徐睿峰计算机23.3万字
• 会员

  解构ChatGPT

  ChatGPT的诞生与迭代，昭示着AIGC领域向前迈出了重要一步，以更为拟人的人工智能提高了人机对话效率和自然程度，可能彻底改变人类与计算机的交互方式。因此，大众对于ChatGPT类产品的认识和学习将对自身成长与社会进步大有裨益。为帮助读者快速了解ChatGPT，本书避免使用过多的专业术语和复杂的数学推导过程，而是采用生动的示例和精致的图表，重点围绕ChatGPT的技术变迁、应用变革与挑战变局，图

  何静 向安玲编著计算机14.4万字
• 大模型垂直领域低算力迁移：微调、部署与优化

  本书是一本深度探讨大模型在低算力环境下实现迁移与微调的实践指南，并深入讲解了大模型的部署与优化策略。书中结合多个垂直领域的应用场景，从理论到技术实现，全程详尽讲解了如何应对大模型在行业落地中的技术挑战，帮助读者逐步掌握大模型的迁移与微调核心技术。无论你是大模型开发者、人工智能研究人员，还是对垂直领域AI应用感兴趣的行业专家，本书都将带你深入大模型的核心领域，提供从构建、优化到部署的全流程指导，助你

  程戈计算机13.7万字
• 会员

  GPT图解：大模型是怎样构建的

  人工智能（AI），尤其是生成式语言模型和生成式人工智能（AIGC）模型，正以惊人的速度改变着我们的世界。驾驭这股潮流的关键，莫过于探究自然语言处理（NLP）技术的深奥秘境。本书将带领读者踏上一段扣人心弦的探索之旅，让其亲身感受，并动手搭建语言模型。本书主要内容包括N-Gram，词袋模型（BoW），Word2Vec（W2V），神经概率语言模型（NPLM），循环神经网络（RNN），Seq2Seq（S2

  黄佳计算机14万字
• 会员

  AI律师助手：律师实务ChatGPT实战指南

  本书具体包含以下内容：首先，探讨ChatGPT对法律界的冲击，以及律师等从业者的不同反应，进一步分析AI技术对行业的影响和发展趋势。接着，简要介绍ChatGPT的技术原理及应用场景。随后，详细讨论如何将AI力量融入律师职业路径，构建专业律师成长的新飞轮。接下来，分别讨论如何将ChatGPT（GPTs）应用于渠道与案源、检索与研究、案件分析，以及法律文书撰写与合同审核，实现部分日常事务自动化执行。之

  轩珍珍 徐伟浩计算机10.6万字
• 会员

  AI帮你赢：人人都能用的AI方法论

  本书强调“把AI作为方法”（AI即ArtifcialIntelligence，人工智能）这一核心理念，旨在引导读者掌握与AI对话的关键技巧，并将AI融入工作和生活真正体验AI带给人类的高效与便捷。本书从技术的发展规律人手，探讨了把AI作为方法的必然性和必要性，进一步剖析了算法与哲学在内在逻辑上的贯通性。此外，本书通过丰富多样的案例展示了AI的强大魅力，通过一系列“召唤术”帮助读者运用AI创造性地

  谭少卿计算机9.7万字
• 会员

  AIGC：让生成式AI成为自己的外脑

  《AIGC：让生成式AI成为自己的外脑》针对近期较为火热的AIGC技术及其相关话题，介绍AIGC的技术原理、专业知识和应用。全书共分为九章。第一章介绍AIGC技术的基本概念和发展历程；第二、三章介绍AIGC的基础技术栈和拓展技术栈；第四、五章分别讨论了AIGC技术在文本生成和图像生成两个领域的现状和前景；第六章列举了目前较为热门的AIGC技术应用；第七章描述了AIGC的上、中、下游产业链及未来前景

  成生辉计算机12.8万字
• 会员

  机器学习实战（视频教学版）

  《机器学习实战：视频教学版》基于Python语言详细讲解机器学习算法及其应用，用于读者快速入门机器学习。《机器学习实战：视频教学版》共分12章，内容包括机器学习概述、Python数据处理基础、Python常用机器学习库、线性回归及应用、分类算法及应用、数据降维及应用、聚类算法及应用、关联规则挖掘算法及应用、协同过滤算法及应用，最后通过3个综合实战项目（包括新闻内容分类实战、泰坦尼克号获救预测实战、

  迟殿委 王培进 王兴平计算机10.1万字
• 会员

  机器学习的算法分析和实践

  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

  孙健编著计算机7.4万字