-
《强化学习基础及其在金融中的应用》PDF-522页
强化学习是一种强大的技术,用于解决各种复杂的行业问题,涉及不确定性下的顺序最优决策。它在自动驾驶汽车、机器人和战略游戏等备受瞩目的问题上的渗透,表明未来强化学习算法的决策能力将远远优于人类。但当涉及到这一领域的教育时,人们似乎不愿意直接投入其中,因为强化学习似乎已经获得了神秘和具有技术挑战性的名声。这本书通过强调基础数学,用设计良好的Python代码实现模型和算法,以及对几个可以用强化学习解决的金…- 3
-
《分布式算法》PDF-371页
分布式算法指南的新版本,强调示例和练习而不是复杂的数学模型。 本书为学生和研究人员提供了分布式算法指南,强调示例和练习,而不是复杂的数学模型。它避免了经常阻碍学生学习的数学论证,教授算法思想,而不是证明和逻辑。这种方法允许学生在相对较短的时间内学习大量算法。通过简短、非正式的描述、说明示例和实际练习来解释算法。示例和练习让读者从不同的角度直观地理解算法。证明草图,争论算法的正确性或解释基本结果背后…- 1
-
《分布式机器学习的优化算法》PDF-137页
本书讨论了最先进的分布式机器学习随机优化算法,并分析了它们的收敛速度。本书首先介绍了随机梯度下降(stochastic gradient descent, SGD)及其分布式版本同步梯度下降(synchronous gradient descent, synchronous SGD),其中计算梯度的任务被划分到几个工作节点上。讨论了几种提高同步SGD可扩展性和通信效率的算法,如异步SGD、局部更新…- 2
-
《推荐系统引擎》PDF-306页
我们的技术给我们的建议越来越多,比我们的家人和最好的朋友更好、更快、更聪明、更个人化。亚马逊已经知道你喜欢什么样的书籍和家居用品,并且非常渴望推荐更多;YouTube和TikTok总是有另一个视频等着你看;网飞公司分析了你的观看习惯,为你推荐了你会喜欢的电影类型。在麻省理工学院出版社的基本知识系列的这一卷中,创新专家迈克尔·施拉格解释了推荐引擎的起源、技术、商业应用和日益增长的社会影响,这些系统让…- 10
-
《人工智能实现工业4.0的路线图》PDF-339页
通过人工智能实现工业4.0的路线图 本书介绍了关于人工智能应用于工业4.0的主要方面的全面和最新的技术解决方案。 工业4.0的愿景已经被讨论了相当长的一段时间,现在的技术已经足够成熟,可以将这一愿景变成一个伟大的现实。第四次工业革命,又称工业4.0,涉及到将技术支持的更具深度和决定性的自动化注入制造过程和活动。几种信息和通信技术正在集成和用于实现制造过程的加速和增强。本书探索和教育了区块链技术、人…- 7
-
《深度强化学习实践手册:应用现代RL方法,包括深度Q网络、值迭代、策略梯度、TRPO、AlphaGo等》PDF-547页
最近强化学习(RL)与深度学习(DL)相结合,在训练智能体以类似人类的方式解决复杂问题方面取得了前所未有的进展。谷歌使用算法来玩并击败著名的雅达利街机游戏,使该领域变得突出,研究人员正在以快速的速度产生新的想法。 Deep Reinforcement Learning hands是一本关于最新深度学习工具及其局限性的全面指南。在将交叉熵和策略梯度等方法应用于现实环境之前,您将对它们进行评估。比如雅…- 7
-
《Python强化学习算法:学习、理解和开发智能算法以应对人工智能挑战》PDF-356页
强化学习(RL)是人工智能的一个流行和有前途的分支,它涉及建立更智能的模型和代理,这些模型和智能体可以根据不断变化的需求自动确定理想的行为。本书将帮助你掌握RL算法,并在构建自学习智能体时理解它们的实现。 从介绍强化学习环境中工作所需的工具、库和设置开始,本书涵盖了强化学习的构建模块,并深入研究了基于值的方法,如Q-learning和SARSA算法的应用。您将学习如何使用Q学习和神经网络的组合来解…- 7
-
《Python应用推荐系统: 使用深度学习、NLP和基于图的技术构建推荐系统》PDF-257页
本书将教你如何使用Python使用机器学习算法构建推荐系统。如今,推荐系统已经成为每个基于互联网的业务的重要组成部分。 你将从学习推荐系统的基本概念开始,并概述不同类型的推荐引擎及其运作方式。接下来,你将看到如何使用传统算法构建推荐系统,例如使用购物篮分析和基于内容和知识的NLP推荐系统。然后,作者展示了一些技术,例如使用矩阵分解的协同过滤技术,以及结合了基于内容和协同过滤技术的混合推荐系统。接下…- 4
-
《神经数据压缩导论》PDF-91页
神经压缩是将神经网络和其他机器学习方法应用于数据压缩。统计机器学习的最新进展为数据压缩开辟了新的可能性,允许使用强大的生成模型(如归一化流、变分自编码器、扩散概率模型和生成式对抗网络)从数据中端到端地学习压缩算法。本文旨在通过回顾信息论(如熵编码、率失真理论)和计算机视觉(如图像质量评估、感知度量)的必要背景,并通过迄今为止文献中的基本思想和方法,提供一份有条理的指南,将这一领域的研究介绍给更广泛…- 10
-
《博弈论》PDF-592页
博弈论是一种用数学工具研究相互依赖的理性博弈者之间复杂相互作用的形式框架。博弈论中最著名的概念是著名的纳什均衡。实际上,博弈论的方法是多种多样的,包括合作和非合作模型,静态和动态博弈,单槽和重复博弈,有限和无限视野博弈。博弈论导致了经济学的革命性变化,并在社会学、现代通信、生物工程和交通运输等领域得到了重要应用。这本书介绍了博弈论的介绍,并提供了博弈论的应用。 这本书是关于博弈论的传统解释。博弈论…- 11
-
《机器学习和深度学习基础以及医学应用》PDF-201页
这本书为医学学生、研究人员和专业人员提供了机器学习和医学深度学习的基础介绍,他们不一定在高等数学入门,但渴望更好地理解这种颠覆性技术及其对医学的影响。人工智能(AI)曾经是计算机科学和工程部门以外的少数人知道的深奥学科,今天是一项广泛流行的技术,被学术界的所有学者使用。特别是,近年来,医学和生命科学领域的研究人员对机器学习和深度学习这一人工智能子领域产生了极大的兴趣,这可以从过去十年同行评审医学期…- 5
-
《机器学习理论与实践》PDF-299页
《机器学习:理论与实践》介绍了机器学习中最流行的方法。本书涵盖了回归(包括正则化)、基于树的方法(包括随机森林和增强树)、人工神经网络(包括卷积神经网络)、强化学习和专注于聚类的无监督学习。主题以概念的方式以及必要的数学细节介绍。解释清楚明了,用数字和例子加以说明。对于所讨论的每一种机器学习方法,本书都提供了R编程语言的适当库以及编程示例。 以一种适合高级本科生或刚开始学习的研究生,以及希望自学机…- 0
-
《不确定性:不确定性估计的现代主题》PDF-160页
在本课程中,我们将学习机器学习、统计学和计算机科学中的现代技术,用于估计黑箱预测的不确定性。这包括共形预测、校准和多重校准、结果不可区分性,以及在没有任何分布假设的情况下产生最坏情况经验覆盖保证的最新技术。在此过程中,我们将探索这些技术在领域适应问题上的应用,以及它们在解决下游优化问题、经济和机制设计以及算法公平性方面的应用。- 2
-
《概率论与数理统计》PDF-259页
在本书中,我们将从数学上研究概率的多种解释中的一种。事实上,我们研究概率论的基础理论是由已故的Kolmogorov发展起来的。概率论有许多应用。我们正在学习概率论,因为我们想学习数理统计。统计学研究的是收集、分析和解释定量数据的方法及其应用的发展,使基于数据的结论的可靠性可以通过概率陈述的方法进行客观评价。利用概率论评价基于数据的结论和推论的可靠性。因此,概率论是数理统计的基础。这本书介绍了概率论…- 10
-
《数字孪生技术:基础与应用》PDF-273页
这本书清楚地解释了数字孪生技术的基本原理及其应用和各种工业现实例子。数字孪生基本上是指任何物体或产品以数字形式复制的模型。数字孪生有许多优点,因为它可以保持与正在复制的原始对象或产品的连接,并接收实时数据。因此,在产品或对象中可能遇到的障碍和问题在实际发生之前就可以知道,这有助于防止可能发生的错误和重大损失。数字孪生技术的各种功能使其成为一个强大的工具,可以有效地促进医疗保健、汽车和建筑行业等各个…- 3
-
《算法图论》PDF-322页
算法图论研究的是图的遍历和生成以及这些操作的复杂性。这是一本关于算法图论的介绍性书籍。使用Sage开源数学软件说明了理论和算法**。这是一本关于图论的教科书,特别适合计算机科学家,也适合对计算复杂性感兴趣的数学家**。虽然它介绍了纯图论和应用图论的大多数经典概念(生成树、连通性、属、可着色性、网络流、匹配和遍历),并涵盖了许多主要的经典定理,但重点是算法及其复杂性:哪些图问题有已知的有效解决方案,…- 28
-
《数据科学》PDF-282页
数据科学的目标是通过从大型数据集中提取的见解来改进决策。作为一个活动领域,数据科学包括一组原则、问题定义、算法和从大型数据集中提取非明显和有用模式的过程。它与数据挖掘和机器学习领域密切相关,但范围更广。如今,数据科学几乎在现代社会的所有领域推动着决策的制定。数据科学可能会影响你的日常生活,包括确定哪些广告会在网上呈现给你;哪些电影、书籍和朋友被推荐给你;哪些邮件会被过滤到垃圾邮件文件夹中;当你更新…- 0
-
《机器学习算法:信号处理中的对抗鲁棒性》PDF-109页
本书演示了针对几种重要信号处理算法的最优对抗性攻击。通过介绍无线传感器网络、阵列信号处理、主成分分析等方面的最优攻击,揭示了信号处理算法对对抗性攻击的鲁棒性。由于数据质量在信号处理中至关重要,能够毒害数据的攻击者将对信号处理构成重大威胁。因此,研究机器学习算法在对抗性攻击下的信号处理行为是必要和迫切的。 作者在本书中分别考察了信号处理中常用的三种机器学习算法:线性回归、基于lasso的特征选择和主…- 1
-
《机器学习导论第四版》PDF-903页
机器学习的目标是让计算机使用示例数据或过去的经验来解决给定的问题。机器学习是自动驾驶汽车、语音识别和翻译应用等令人兴奋的新技术的基础。这是一个全面的,广泛使用的机器学习教科书的实质性修订第四版,提供了在理论和实践领域的最新进展的新覆盖面,包括深度学习和神经网络的发展。这本书涵盖了广泛的主题,通常不包括在介绍性机器学习文本,包括监督学习,贝叶斯决策理论,参数方法,半参数方法,非参数方法,多元分析,隐…- 41
-
《 深度学习归一化技术》PDF-117页
这本书提出和调研归一化技术与深度分析训练深度神经网络。此外,作者还提供了针对特定任务设计新的规范化方法和网络体系结构的技术细节。归一化方法可以提高深度神经网络(DNNs)的训练稳定性、优化效率和泛化能力,已成为大多数先进DNN体系结构的基本组成部分。作者为阐述、理解和应用规范化方法提供了指导方针。这本书是理想的读者致力于发展新的深度学习算法和/或其应用程序,以解决计算机视觉和机器学习任务中的实际问…- 1
-
《Python数学逻辑》PDF-285页
本文采用一种独特的教学方法,通过引导学生通过Python编程实现基本的逻辑概念和数学证明来介绍数学逻辑。这种方法专为日益增长的精通编程的学生量身定制的独特直觉和优势,将数学逻辑带入这些学生的舒适区,并提供了只有通过深入的动手理解和创建工作代码的满足感才能实现的清晰。虽然方法是独特的,文本遵循相同的主题集通常涵盖在一个学期的本科课程,包括命题逻辑和一阶谓词逻辑,最终证明Gödel的完整性定理。还提供…- 4
-
《高效Go语言,数据驱动的性能优化》PDF-776页
随着技术的进步、快速的市场和系统的更高复杂性,软件工程师往往会跳过软件效率这个令人不舒服的话题。然而,战术的、可观察性驱动的性能优化对于每个产品来说都是至关重要的,可以节省资金并确保业务成功。 有了这本书,任何工程师都可以学习如何有效、专业、无压力地提高软件效率。作者bartzuomiej potka提供了使您的系统更快、减少资源消耗所需的工具和知识。高效Go引导您使用Go实现更好的日常效率。此外…- 1
-
《矩阵分析基础及其应用》PDF-409页
这是一个简单易懂的线性代数介绍,重点是矩阵和工程应用 《矩阵分析与应用基础》从几何和物理角度全面覆盖了矩阵理论,描述了矩阵的功能及其量化和分析许多实际应用的能力。本书由一个高度合格的作者团队编写,提供了矩阵分析的工具,并通过广泛的例子和软件实现加以说明。 作者首先对高斯消元法进行了详细的阐述和回顾,并就运算次数、计算机速度和精度、复杂的算术公式、解的参数化以及要求严格遵守高斯指令的逻辑陷阱等问题进…- 4
-
《面向工程师的应用机器学习和人工智能:解决无法用算法解决的业务问题》PDF-666页
虽然许多人工智能入门指南都是微积分书的伪装,但这本书大多回避了数学。相反,作者Jeff proise帮助工程师和软件开发人员建立对AI的直观理解,以解决商业问题。需要创建一个系统来检测雨林中非法砍伐的声音,分析文本的情感,或预测旋转机械的早期故障?这本实用的书教你把人工智能和机器学习在你的公司工作的必要技能。 Applied Machine Learning and AI for Engineer…- 3
-
《矩阵数学理论,事实和公式》PDF-1103页
2005年首次出版时,《矩阵数学》迅速成为工程、科学和应用数学的所有分支中矩阵用户的必备参考书。在这个完全更新和扩展的版本中,作者汇集了矩阵理论的最新结果,使这成为矩阵上最完整的,当前的和易于使用的书。 每一章都描述了相关的背景理论,然后是专门的结果。数以百计的恒等式、不等式和矩阵事实通过交叉引用、文献引用和启发性评论清楚而严格地陈述。从集合、函数和关系的初步开始,矩阵数学涵盖了矩阵理论中的所有主…- 4
-
《深度强化学习基础: Python的理论与实践》PDF-413页
深度强化学习(Deep Reinforcement Learning, Deep RL)结合了深度学习和强化学习,人工智能体通过学习来解决顺序决策问题。在过去的十年中,深度RL在一系列问题上取得了显著的成果,从单人和多人游戏(如围棋、Atari游戏和DotA 2)到机器人。 《深度强化学习基础》是对深度学习的介绍,独特地结合了理论和实现。它从直觉开始,然后仔细地解释了深度RL算法的理论,讨论了其伴…- 78
-
《决策算法》PDF-700页
本书对不确定条件下的决策算法作了广泛的介绍。我们涵盖了与决策有关的各种主题,介绍了基本的数学问题公式和解决这些问题的算法。书中提供了数字、例子和练习,以传达各种方法。 本书适用于高年级本科生和研究生,以及专业人士。它需要掌握一些数学上的知识,并事先接触过多元微积分、线性代数和概率概念。在附录中提供了一些复习材料。本书特别有用的学科包括数学、统计学、计算机科学、航空航天、电气工程和运筹学。 这本教科…- 13
-
《神经网络,机器学习和图像处理》PDF-221页
本书全面讨论了最新的数学建模技术及其在模糊建模、信号处理、神经网络、机器学习、图像处理及其数值分析等各个领域的应用。进一步介绍了图像处理技术,如用于人脸检测的Viola-Jones方法和用于行人视频情感的模糊方法。它将作为机械工程、电子、通信工程、计算机工程和数学领域的研究生和学术研究人员的理想参考文本。 讨论神经网络、机器学习、图像处理和数学建模的应用 提供机器学习和基于图像处理问题的模拟技术 …- 30
-
《强化学习的基础》PDF-111页
这本手稿涵盖了强化学习的所有重要的基本方面。第二章采用马尔可夫决策过程对主体与环境之间的相互作用进行建模。第三章介绍了基于给定环境模型解决MDP问题的核心技术——动态规划。一般来说,解决MDP问题涉及到政策评估和政策改进的迭代。在第四章中,我们讨论了无模型方法:蒙特卡洛,TD学习,SARSA和q学习。第五章对强化学习中的值函数逼近进行了一般讨论。作为一个重要的例子,深度Q-learning将在第6…- 1
-
《文本与知识库问答系统》PDF-208页
这本书提供了一个连贯和完整的概述,各种问题回答(QA)系统。它涵盖了基于数据来源的3个主要类别,可以是非结构化文本(TextQA)、结构化知识图谱(KBQA),以及两者的结合。开发一个问答系统通常需要使用各种重要技术的组合,包括自然语言处理、信息检索和提取、知识图谱处理和机器学习。 在第一章对本书进行了概览和介绍之后,第二章将解释QA系统的历史和不同QA方法的体系结构。它从早期的近域QA系统开始,…- 18
-
《Python 技术手册: A Desktop Quick Reference 4th Edition 》PDF-877页
Python最近在TIOBE索引上被列为当今最流行的编程语言,这要归功于它对设计和测试、部署和维护的原型设计的广泛适用性。通过更新后的第四版,无论您是专业程序员还是需要这门语言解决特定领域问题的人,都将学习如何最大限度地利用Python。 这个新版本由公认的Python专家精心策划,专注于3.10版本,将Python语言的这项开创性工作在五个版本发布中完全更新,包括即将发布的3.11特性的预览报道…- 1
-
《机器学习在金融时间序列分析与预测中的应用》PDF-385页
这本书是一个真实世界案例的集合,说明了如何处理具有挑战性和波动的金融时间序列数据,以更好地理解他们的过去行为和对他们的未来运动的可靠预测。它演示了如何应用统计学、计量经济学、机器学习和深度学习的概念和技术来构建稳健的预测模型,以及如何使用这些模型来构建有利可图的投资组合。这里使用的所有概念和方法都是在TensorFlow和Keras框架上使用R和Python语言实现的。这本书对金融,经济学,计量经…- 26
-
《如何阅读Java理解,调试和优化JVM应用程序》PDF-126页
如何阅读Java:理解、调试和优化JVM应用程序将教会您如何更好地理解Java应用程序代码。它充满了针对棘手问题的代码调查技术,比如发现代码逻辑中的小故障或定位间歇性运行时问题。有了这些工具和实践,当您需要识别性能问题、理解依赖关系、发现崩溃的根本原因或解释意外结果时,您将节省时间。无论您是高级软件工程师还是刚刚开始,这本无价的指南都将帮助您了解应用程序如何工作的基本任务。- 12
-
《动手学差分隐私》PDF-106页
这是一本面向程序员的差分隐私书籍。本书旨在向您介绍数据隐私保护领域所面临的挑战,描述为解决这些 挑战而提出的技术,并帮助您理解如何实现其中一部分技术。本书包含了很多示例,也包含了很多概念的具体实现,这些示例和实现都是用可以实际运行的程序撰写的。每一章都由一个独立的Jupyter笔记本(Jupyter Notebook)文件生成。您可以单击相应章节右上角的“下载” 图标并选择“.ipynb”,从而下…- 21
-
《使用Scikit-Learn、Keras和TensorFlow实践机器学习:构建智能系统的概念、工具和技术》PDF-1000页
通过最近的一系列突破,深度学习推动了整个机器学习领域的发展。现在,即使对这种技术几乎一无所知的程序员也可以使用简单、有效的工具来实现能够从数据中学习的程序。这本畅销书使用了具体的例子、最小理论和可用于生产的Python框架(Scikit-Learn、Keras和TensorFlow),帮助您直观地理解构建智能系统的概念和工具。 在这个更新的第三版中,作者Aurélien Géron探索了一系列技术…- 7