本書闡述了分布式人工智能原理及其應用，基本原理的主要內容包括的分布式人工智能的內涵、基本原理、計算框架等；研究了分布式人工智能學習與優(yōu)化、強化學習與演化計算、群智能體強化學習等前沿方法；給出了分布式信息融合、視覺感知、協(xié)同搜索、對抗博弈決策和智能博弈推演等典型應用，建立起了較為全面的知識體系與脈絡，為后續(xù)研究奠定了良好

本書是一本探討意識起源、勾勒人工智能未來圖景的學術性科普圖書。如今，人工智能已經(jīng)滲透到我們生活的方方面面，給我們生活帶來巨大便利的同時，也引發(fā)了人們對人工智能會威脅人類生存的擔憂。人工智能的本質是什么？機器能產生意識嗎？如何度量機器的智能？在人工智能熱潮涌現(xiàn)的今天，本書作者直面人工智能研究乃至眾多前沿科學研究都繞不過去

數(shù)據(jù)挖掘與機器學習--基于R語言編程

《四元數(shù)神經(jīng)網(wǎng)絡穩(wěn)定性理論及應用》旨在介紹四元數(shù)神經(jīng)網(wǎng)絡穩(wěn)定性理論及應用的研究現(xiàn)狀、典型模型、常用研究方法.具體內容包括四元數(shù)神經(jīng)網(wǎng)絡漸近穩(wěn)定性、四元數(shù)神經(jīng)網(wǎng)絡魯棒穩(wěn)定性、四元數(shù)神經(jīng)網(wǎng)絡μ-穩(wěn)定性及均方穩(wěn)定性、四元數(shù)神經(jīng)網(wǎng)絡Mittag-Leffler穩(wěn)定性、四元數(shù)神經(jīng)網(wǎng)絡Lagrange穩(wěn)定性及H-U穩(wěn)定性、四元數(shù)神

本書系統(tǒng)地闡述了人工智能算法的基本原理、實現(xiàn)技術及其應用，基本涵蓋了其重要理論和方法，包括了最近發(fā)展起來的并被實踐證明的新技術、新理論，如機器學習、模式識別、圖像處理、神經(jīng)網(wǎng)絡、深度學習、群智能方法等。本書注重結合實際，通過實際問題介紹各種理論和方法，著重介紹各種智能算法的MATLAB實現(xiàn)，具有較強的指導性和實用性。

圖強化學習是深度強化學習的重要分支領域。本書作為該領域的入門教材，在內容上盡可能覆蓋圖強化學習的基礎知識，并提供應用實踐案例。全書共10章，大致分為三部分：第一部分（第1～3章）介紹圖強化學習研究對象（復雜系統(tǒng)、圖和復雜網(wǎng)絡）；第二部分（第4～7章）介紹圖強化學習基礎知識（圖嵌入、圖神經(jīng)網(wǎng)絡和深度強化學習）；第三部分（

近年來隨著計算機技術的快速發(fā)展，機器學習被廣泛應用于信息檢索、自然語言處理、計算機視覺及自動化控制等方面。由于機器學習在實際應用中對不同問題所提供的條件各不相同，如含有標簽信息的數(shù)據(jù)、不含標簽信息的數(shù)據(jù)等，針對不同的數(shù)據(jù)類型有多種解決方法：監(jiān)督學習、半監(jiān)督學習、無監(jiān)督學習。本書針對監(jiān)督和無監(jiān)督學習方法進行理論的概述、模

可解釋AI(InterpretableAI)將教會你識別模型所學習的模式及其產生結果的原因。通過閱讀《可解釋AI實戰(zhàn)（PyTorch版）》，你將掌握一些用于解釋白盒模型(如線性回歸和廣義可加模型)的方法，以及一些用于解釋復雜深度學習模型的方法。可解釋AI是一個快速發(fā)展的領域，本書將該領域的前沿研究簡化為你可以在P

本書系統(tǒng)介紹了推薦算法的知識框架和技術細節(jié)，包括召回、粗排、精排和重排等模塊。第1章從用戶體驗、內容生產和平臺發(fā)展角度介紹為什么需要推薦系統(tǒng)，并闡述推薦系統(tǒng)的分類及整體技術架構。第2章介紹推薦算法模型的基礎——數(shù)據(jù)樣本和特征工程。第3章介紹傳統(tǒng)推薦算法。第4~7章介紹推薦系統(tǒng)中最復雜的部分——精排模塊，包括特征交叉、用

本書介紹了自組織增量學習神經(jīng)網(wǎng)絡及其在人工智能領域的應用。神經(jīng)網(wǎng)絡是一種模擬生物神經(jīng)系統(tǒng)的人工智能技術，具有強大的數(shù)據(jù)處理能力和學習能力。自組織增量學習神經(jīng)網(wǎng)絡是一種具有高度自組織結構和增量學習能力的神經(jīng)網(wǎng)絡。與傳統(tǒng)機器學習方法相比，自組織增量學習神經(jīng)網(wǎng)絡有更強的靈活性和適應性，能夠更好地適應動態(tài)環(huán)境和解決復雜的問題。