人工智能数学基础

ChatGPT作为人工智能领域的一大进步，引起了热议，其强大功能的背后离不开大模型的支持。大模型指的是参数规模超过千万的机器学习模型，主要应用于语音识别、计算机视觉等领域。本书聚焦大模型，对大模型的技术场景和商业应用展开详细叙述。本书主要从典型应用ChatGPT入手，探寻其背后支撑大模型的魅力。首先，本书对大模型的基础概念、产业格局、带来的新型商业模式进行讲解，展现了大模型的发展现状和商业化潜力。

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

增长是企业利用计算机、大数据、人工智能等新技术实现经营增长的新思路和新方法，本书作为该领域的入门级读物，介绍了AIGC在增长领域的技术和实战应用。本书分为4部分，第1部分、第2部分、第4部分主要针对有兴趣了解AIGC背后技术原理、增长模式的变化以及截至2023年3月业界、学术界的最新技术进展的读者；第3部分包含AI的基础知识、基础模型，并从实战应用角度介绍作为应用开发者如何高效上手与利用最新的开源

机器学习是人工智能的核心，而统计思维则是机器学习方法的核心：从随机性中寻找规律性。例如，利用损失最小化思想制定学习策略，采用概率最大化思想估计模型参数，利用方差对不确定性的捕捉构造k维树，采用贝叶斯公式构建分类决策模型，等等。只有树立正确的统计思维，才能准确高效地运用机器学习方法开展数据处理与分析。本书以统计思维的视角，揭示监督学习中回归和分类模型的核心思想，帮助读者构建理论体系。

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

《洞察AIGC：智能创作的应用、机遇与挑战》内容分为3篇：第1篇AIGC的蜕变讲述AIGC的发展历史及其背后的智能；第2篇AIGC的应用讲述AIGC在文学创作、日常办公、知识管理、科研出版、工业制造、健康医疗、金融服务、品牌营销领域的应用现状及常用工具；第3篇AIGC的机遇与挑战讲述AIGC的资本与技术前景，同时提出需要注意的风险。

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

本书是一部系统介绍AI数字人技术的专业著作，涵盖了数字人的定义、发展历程、关键技术及应用实践等内容，全书共分3部分。在技术基础部分，首先介绍了数字人的定义、发展历程、分类和应用场景，接着详细解析了数字人系统的架构设计、视觉算法和语音合成技术的原理，以及语义理解和知识表示技术如何提升数字人的智能和表现力。在应用实践部分，带领读者深入探索数字人的创作流程，从内容策划、角色建模到交互设计，每一步都进行了

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