机器学习：公式推导与代码实现

本书参照产业界自动驾驶技术研发的基本流程，充分借鉴了产业界在自动驾驶技术领域中的实际研发经验，以高性能的智能小车和高度仿真的车道沙盘为实验教具和运行环境，深入浅出地讲解自动驾驶技术的原理与实际应用，为初学者打开一扇通往人工智能世界的大门。本书以帮助初学者如何从无到有地打造出具备自动驾驶功能的智能小车为主线，内容分为看车（了解自动驾驶）、造车（设计智能小车）、开车（收集训练数据）、写车（编写自动驾驶

本书由中科院计算所、软件所的专家学者倾心写就，以“图像风格迁移”应用为例，全面介绍智能计算系统的软硬件技术栈。第2版以大模型为牵引进行更新，第1章回顾人工智能、智能计算系统的发展历程，第2、3章在介绍深度学习算法知识的基础上增加了大模型算法的相关知识，第4章介绍深度学习编程框架PyTorch的发展历程、基本概念、编程模型和使用方法，第5章介绍编程框架的工作原理，第6章回顾深度学习所用的处理器结构从

本书旨在帮助读者全面理解知识图谱的基本原理和概念。通过清晰的解释和实例，读者将深入了解知识图谱的构建、表示、推理等关键知识点。此外，本书通过提供代码实战，引导读者亲自动手构建知识图谱，并应用各种技术和工具进行实践。这种实践性的讲解方法可帮助读者更深入地理解知识图谱的实际应用。本书的目标是帮助读者全面理解知识图谱的基本原理和概念，并通过代码实战构建知识图谱。同时，本书也提供了关于大语言模型与知识图谱

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

本书深度探讨了构建和训练ChatGPT模型涉及的核心技术，以及ChatGPT在各种实际应用中的作用。全书精心划分为三部分，其中第1章为第1部分，第2章为第2部分，第3章和第4章为第3部分。首先，详细阐述了机器学习的历史演变与各种学习范式，同时也揭示了在人工智能生成内容（AIGC）领域下，图像处理和自然语言处理技术的历史发展趋势；接下来，对ChatGPT的运行机制和关键算法进行深度解析，包括大规模模

随着ChatGPT等大语言模型的迅速发展，大语言模型已经成为人工智能领域发展的快车道，不同领域涌现出各种强大的新模型。开发者想要独立构建、部署符合自身需求的大语言模型，需要理解大语言模型的实现框架和基本原理。本书梳理大语言模型的发展，首先介绍Transformer模型的基本原理、结构和模块及在NLP任务中的应用；然后介绍由只编码（Encoder-Only）到只解码（Decoder-Only）的技术

机器学习是计算机科学与人工智能的重要分支领域.本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面.全书共16章，大致分为3个部分：第1部分（第1～3章）介绍机器学习的基础知识；第2部分（第4～10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3部分（第11～16章）为进阶知识，内容涉及特征选择与稀疏学习、计算

2023年以来，OpenAI相继发布了聊天机器人模型ChatGPT、新一代多模态大模型GPT-4等产品，以强大的能力俘获了大量用户，颠覆了用户对于AI的认知。本书以ChatGPT为中心，对ChatGPT的相关知识进行详细的讲解。本书共12章，前5章从ChatGPT概述、技术底座、内容变革、产业格局、商业展望5个方面对ChatGPT进行了解读，帮助用户全面了解ChatGPT，对其形成完整的认知。第6

机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书涵盖了机器学习和深度学习的基础知识，主要包括机器学习的概述、统计学基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、文本分析、分布式机器学习算法等经典的机器学习基础知识，还包括卷积神经网络、循环神经网络、生成对抗网络、目标检测、自编码器等深度学习的内容。此外，本书还介绍了机器学习的热门应用领域推荐系统以及强化学习等主题。本书深入浅出、内容