隨著數(shù)字音樂內(nèi)容的迅速增長(zhǎng)以及人們對(duì)音樂鑒賞需求的日益提升，音樂信息的分類檢索及個(gè)性化推薦受到廣大網(wǎng)民和有關(guān)從業(yè)人員越來越廣泛的關(guān)注,并成為研究及應(yīng)用的新熱點(diǎn)。本書系統(tǒng)地闡述了機(jī)器學(xué)習(xí)中的常用分類與推薦方法,介紹了網(wǎng)絡(luò)音樂自動(dòng)分類與推薦的理論基礎(chǔ)，重點(diǎn)探討了ＳＶＭ和ＫＮＮ分類算法的改進(jìn)，以及協(xié)同過濾推薦算法和基于馬爾可

人工智能是一門發(fā)展極其迅速且內(nèi)容豐富的學(xué)科，其眾多分支領(lǐng)域都值得大家去探索和學(xué)習(xí)。《人工智能基礎(chǔ)與進(jìn)階》分為基礎(chǔ)篇和進(jìn)階篇兩個(gè)篇章。其中，基礎(chǔ)篇內(nèi)容包括了人工智能的基本概念、人工智能的發(fā)展歷史、計(jì)算機(jī)與環(huán)境感知、簡(jiǎn)單幾何形狀的識(shí)別、人工智能搜索算法；進(jìn)階篇?jiǎng)t包括大數(shù)據(jù)的定義、知識(shí)與推理、回歸與分類、深度學(xué)習(xí)網(wǎng)絡(luò)、感知信

深度學(xué)習(xí)網(wǎng)絡(luò)正變得越來越小。谷歌助理（GoogleAssistant）團(tuán)隊(duì)可以在微控制器上運(yùn)行只有14KB大小的模型來檢測(cè)單詞。這本實(shí)用的書將帶你進(jìn)入TinyML的世界，讓深度學(xué)習(xí)和嵌入式系統(tǒng)結(jié)合在一起，用微小的設(shè)備創(chuàng)造出驚奇的事業(yè)。

隨著人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)成為最受關(guān)注的領(lǐng)域之一。在深度學(xué)習(xí)的諸多開發(fā)框架中，TensorFlow是最受歡迎的開發(fā)框架。本書以培養(yǎng)人工智能編程思維和技能為核心，以工作過程為導(dǎo)向，采用任務(wù)驅(qū)動(dòng)的方式組織內(nèi)容。全書共分為8個(gè)任務(wù)，任務(wù)1介紹深度學(xué)習(xí)的發(fā)展歷程、應(yīng)用領(lǐng)域以及開發(fā)環(huán)境的搭建過程；任務(wù)2介紹TensorFl

本書可作為通識(shí)性選修課程的教學(xué)用書。本書內(nèi)容包括人工智能的概念、知識(shí)工程、確定性和不確定性推理、搜索技術(shù)、機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)、自然語(yǔ)言處理、多智能體系統(tǒng)等。全書弱化理論知識(shí)，以了解性內(nèi)容為主。通過本書的學(xué)習(xí)，可使所有相關(guān)專業(yè)學(xué)生對(duì)人工智能有一個(gè)基礎(chǔ)性的認(rèn)識(shí)，方便后續(xù)相關(guān)課程的學(xué)習(xí)。

集成學(xué)習(xí)方法是一類先進(jìn)的機(jī)器學(xué)習(xí)方法，這類方法訓(xùn)練多個(gè)學(xué)習(xí)器并將它們結(jié)合起來解決一個(gè)問題，在實(shí)踐中獲得了巨大成功。全書分為三部分。第一部分主要介紹集成學(xué)習(xí)的背景知識(shí)；第二部分主要介紹集成學(xué)習(xí)方法的核心知識(shí)，包括Boosting、Bagging、RandomForests等經(jīng)典算法，平均、投票和Stacking等模型和方

本書內(nèi)容涵蓋經(jīng)典的有監(jiān)督機(jī)器學(xué)習(xí)算法，無監(jiān)督機(jī)器學(xué)習(xí)算法，深度機(jī)器學(xué)習(xí)算法，闡述從淺層學(xué)習(xí)到深度學(xué)習(xí)，從簡(jiǎn)單的線性模型到復(fù)雜的神經(jīng)網(wǎng)絡(luò)非線性模型的原理與應(yīng)用。書中每個(gè)章節(jié)遵循先簡(jiǎn)介理論基礎(chǔ)，再構(gòu)建數(shù)學(xué)模型，然后輔以實(shí)例分析，從理論到實(shí)踐的講解原則。每個(gè)章節(jié)可獨(dú)立閱讀，也可從前向后，從簡(jiǎn)到難，從淺層學(xué)習(xí)到深度學(xué)習(xí)，循序漸

全書共分為兩篇：在上篇中，將從浩瀚的數(shù)學(xué)海洋中擷取機(jī)器學(xué)習(xí)研究人員最為必須和重要的數(shù)學(xué)基礎(chǔ)。內(nèi)容主要包括：微積分（含場(chǎng)論）、數(shù)值計(jì)算和常用最優(yōu)化方法、概率論基礎(chǔ)與數(shù)理統(tǒng)計(jì)、線性代數(shù)等。在下篇中，將選取機(jī)器學(xué)習(xí)中最為常用的算法和模型進(jìn)行講解，這部分內(nèi)容將涉及（廣義）線性回歸、圖模型（包含貝葉斯網(wǎng)絡(luò)和HMM等）、分類算法（

本書介紹卷積神經(jīng)網(wǎng)絡(luò)的核心——錯(cuò)綜復(fù)雜的細(xì)節(jié)和算法的微妙之處。主要包括卷積神經(jīng)網(wǎng)絡(luò)的高級(jí)主題和使用Keras和TensorFlow的對(duì)象檢測(cè)。

本書通過聚焦于開發(fā)基于神經(jīng)網(wǎng)絡(luò)的解決方案來介紹機(jī)器學(xué)習(xí)，首先將從熟悉構(gòu)建深度學(xué)習(xí)解決方案所需的概念和技術(shù)開始，然后介紹如何創(chuàng)建分類器、構(gòu)建目標(biāo)檢測(cè)和語(yǔ)義分割神經(jīng)網(wǎng)絡(luò)、訓(xùn)練生成式模型，以及使用TF2.0的工具，如TensorFlowDatasets和TensorFlowHub，加速開發(fā)過程。學(xué)完本書之后，讀者將能夠使用T