本书是2023年不可错过的AIGC入门读物，是介绍大语言模型时代ChatGPT的重要资料，由人工智能独角兽企业硅基智能核心团队编纂而成，结合生动的比喻和有趣的案例，从大模型的一个典型场景切入，详细解读了AIGC的由来及发展历程，探讨大模型在图像视频生成，短视频、数字人制作，语音合成、克隆与变换等方面的应用。书中还涉及了一些经典商业案例的解读，不是单纯的纸上谈兵。这样一本理论与实践相结合的书，读起来饶有趣味。

本书是一本由浅入深地介绍深度学习的理论原理及PyTorch深度学习框架的入门书籍，全书通过图文并茂的方式对重点知识进行讲解，注重实践，详细地介绍了PyTorch的基本使用、神经网络的构建和训练技巧、卷积神经网络和循环神经网络的实现，以及前沿的深度生成模型的应用。通过学习本书，读者不仅可以了解深度学习，而且可以轻松实现机器作诗、自动乐曲生成、机器翻译、图像去噪等有趣的应用。全书配有注释详细的代码，方便读者学习与实践。本书适用于对人工智能感兴趣的读者，也适合作为深度学习领域的入门教材。

《细说机器学习：从理论到实践》从数学知识入手，详尽细致地阐述机器学习各方面的理论知识、常用算法与流行框架，并以大量代码示例进行实践。本书内容分为三篇：篇为基础知识，包括机器学习概述、开发环境和常用模块、特征工程、模型评估、降维方法等内容。本篇详细而友好地介绍机器学习的核心概念与原理，并结合大量示例帮助读者轻松入门。第二篇为算法应用，涵盖机器学习重要与高频使用的模型，包括K-Means聚类、K近邻、回归、决策树、朴素贝叶斯、支持向量机、神经网络等内容。本篇不仅详细讲解各个算法的原理，还提供大量注释

本书从数据分析与机器学习算法入手，系统地介绍了机器学习各类算法的原理方法和实际应用。本书的主要内容包括：KNN算法、朴素贝叶斯、决策树、支持向量机、线性回归、K-means算法、人工神经网络、卷积网络深度学习以及基于Python数据分析进行职业规划。本书作为大数据技术与人工智能领域的入门教材，在内容上涵盖了机器学习经典算法的基础知识和应用实例，采用Python作为编程语言，强调基本算法的应用理解，内容由浅入深。各部分内容均配有相应的任务，注重实践应用，便于读者学习和掌握。本书可作为各类职业院校大

本书系统地介绍了机器学习系统的设计原则和实践经验，侧重于介绍机器学习的原理、神经网络和优化器、自动差分算法、机器学习系统编程模型、控制流和数据流，异构硬件加速器的原理和编程、数据流图编译器前端、数据流图编译器后端、数据准备和增强、模型部署相关技术、分布式训练、弹性训练、联合训练和评估平台、调试和优化工具、数据隐私和安全等。在讲授的过程中，本书将根据MindSpore的自身特点，在各个章节突出讨论MindSpore的优势点，从而将MindSpore并列为与TensorFlow，PyTorch的三大

本书使用浅显生动的语言，通过贴近生活和时代的案例，详细讲解了人工智能的相关概念、技术、应用，主要内容包括：人工智能的概念、人工智能的技术框架、人工智能技术基础（机器学习、神经网络、深度学习等）、人工智能关键技术（大数据、云计算、人工智能芯片等），并从教育、农业、工业、金融、医疗、生活、文娱、军事等方向阐述了人工智能在各行各业中的具体应用，最后对人工智能的未来发展进行了分析。 本书内容全面、语言生动、通俗易懂，可作为人工智能初学者的启蒙读本，也可以作为人工智能技术普及读物。

自2023年以来，AI聊天机器人ChatGPT火爆互联网，其颠覆性的使用体验重塑了人们对于AI的认知。而ChatGPT背后的技术—AIGC也引起了互联网圈的关注，打开了人们对AI应用的想象空间。本书从ChatGPT入手，以AIGC为中心，对AIGC的理论知识、应用场景、未来发展等内容进行了全面的梳理。首先，本书对AIGC的概念、技术构成、产业生态、市场现状等进行了讲解，以便读者对AIGC形成一个清晰、完整的认知。其次，本书讲解了AIGC在传媒、电商、影视、娱乐、教育、工业等领域的应用，展现了AI

本书系统介绍了神经网络和深度学习，并结合实际应用场景和综合案例，让读者深入了解深度学习。全书共16章，分为4个部分。第1部分介绍了深度学习基础算法与应用，主要包括神经网络和深度学习的相关概念、多层神经网络的基本原理和具体应用、卷积神经网络的原理及项目案例实现、优化算法与模型管理。第2部分介绍了深度学习进阶算法与应用，主要包括经典的深度卷积神经网络，ResNet、DenseNet和MobileNet，目标检测的基本概念和常见算法，循环神经网络的基本概念和具体应用。第3部分介绍了时空数据模型与应用，

本书以通俗的语言和生动的案例，将ChatGPT、AIGC和元宇宙等热点一网打尽，全面展示“台前”“幕后”的来龙去脉，是一本深入浅出的通识书。本书将为你拨开迷雾，搞懂底层逻辑，把握风靡全球的未来科技和AI新时代的成长机会。

本书从数据集、数据清理开始谈起，在介绍机器学习的建模方式后，第2章详细说明了机器学习与深度学习所涉及的矩阵、向量等技术。第3章使用Keras搭建深度学习模型，也介绍了激活函数、损失函数、反向传播、过拟合或欠拟合等问题。第4章给出了训练深度学习模型的过程中可能存在的交叉验证问题。当需要提高模型精度时，可以考虑参考第5章中的L1/L2正则化、丢弃正则化、早停等方式。第6章讲解模型评估问题，在太平洋飓风数据集上指出准确率的局限性，从而引出混淆矩阵、ROC曲线、AUC评分等概念。接下来的3章介绍卷积神经