中文版 | ENGLISH

您好!欢迎访问火狐体育地址官方网站!!!!

国内化工原料质量信得过单位注重工作细节,提高服务品质

产品中心

联系我们| CONTACT US

联系电话:
+86-0559-3518000

火狐体育地址

■ 销售部

电话:0559-3518000 

手机:17805599966

邮箱:sale.xy2@0559hy.com 

■ 行政部

电话:0559-3517138

邮箱:office@0559hy.com 

■ 人力资源部

电话:0559-3516520

邮箱:hr@0559hy.com


当前位置:首页 > 产品中心

哪些人工智能书籍让你爱不释手?

发布时间:2021-11-27 08:34:47   作者:火狐体育在线投注   来源:火狐电竞官网

  因为我的研究方向主要是运筹优化,所以平常关注比较多的是机器学习中的优化方法。我最开始系统的学习机器学习中的优化方法是看了 Optimization Methods for Large-Scale Machine Learning

  严格来说这不是一本书,更加类似于一个综述类的文章一样,本书详细介绍了 Stochastic Gradient Methods的来龙去脉。本书大约90页,读完之后就能够对 Stochastic Gradient Methods 有一个全面的了解了。

  那为什么推荐这本书呢?1是 因为本书对数学要求并不高,掌握基本的微积分,线性代数并且对机器学习有一个基本了解就可以看懂本书了。我当年大致是用了整整2-3天时间吧,一气呵成读完的。相比动辄五六百页的机器学习大厚书来说,这本书是非常友好的。2是 本书更加注重对Motivation的讲解,开宗明义的指出 Stochastic Gradient Methods 为什么能够在机器学习的优化问题求解中好使,我觉得这些思想都是非常一般的思想。这些思想的价值不亚于Stochastic Gradient Methods 本身。这使得这些思想不仅仅对机器学习非常有用,对运筹优化领域也非常有启发性。

  机器学习训练模型所构成的优化问题一般来说是一个可微的无约束非线性规划问题,这个问题在优化领域是一个很老的话题了,在上世纪就有了非常多非常多的研究。从梯度法,到共轭梯度法,再到LM法,牛顿法,拟牛顿法,信赖域方法等等。在优化领域看来这个研究方向已经被人挖掘到山穷水尽了。

  当我看完 Stochastic Gradient Methods 的出发点的时候 还是被深深的震撼了。Stochastic Gradient Methods 的出现还是对人们之前的想法产生了一些颠覆。Stochastic Gradient Methods的好使告诉我们一个更加普适的道理:在优化算法搜索过程中要适当加入一点随机,在强化学习里就对应 exploration 和 exploitation。这一点恰恰是做运筹优化领域的研究者之前忽略掉的一个点。我觉得运筹优化的童鞋可以从机器学习中的优化方法吸取的这些有价值的思想来为我所用。所以如果你是运筹优化领域的童鞋,不妨读读 Optimization Methods for Large-Scale Machine Learning,相信会让你对优化方法有一个完全不同的insights,如果你是机器学习的研究者,那么也不妨读读本书,对机器学习中的优化方法会有一个初步的了解。

  这位日本大哥书写的非常不错 ,这书看起来也比esl,prml要顺一些,可以先看这本再读esl/prml

  自然语言处理,我推荐那本简单入门的动物书,没记错好像叫(natrual language processing with python),别只知道elmo,bert不知道语言模型好吧,再推荐一个讲义,哥伦比亚大学的那门公开课,把讲义打下来,基本也就入门了。

  AI & CV ?感觉可以直接打印CS231N的讲义顺带着直接打印论文了,我读的不多,就不班门弄斧了...

  人工智能有一本叫终极算法的书,我看有人推荐,我看了下觉得写的一般,读的不是非常过瘾,反而有一本绿色的【算法之美】我觉得不错,可以买来消遣一看。

  哦对了还有一本叫做【统计学习方法】的书,李航老师写的,第二版放在床头,可以时时温习,比如推推svm、gbdt啥的。

  我其实并不推荐上来就读大厚书的,根本看不下去,有人上来就推荐【人工智能,一种现代化方法】,这是典型的知乎风格。入门的话,学几门公开课,听听吴恩达不好吗,别好高骛远。bayesian inference这类的东西也不要在入门就干,看看koller的PGM大厚书倒是可以,但是得看看自己是不是消化得了。

  读着读着会觉得自己数学又不太行了。boyd 的【convex optimization】可以看看,不然机器学习理论和数值优化会感觉怎么也不太行了陷入瓶颈。MIT strang老爷子的线性代数也可以温故而知新。如果对采样这些东西感兴趣,不能不知道MCMC这类东西,学学随机过程也挺重要的,网上有个叫yida xu的老师讲的也不错,当然前面提到的书里也都涉及了。

  想到哪里就写到哪里了,有些乱大家看看就好,手打的很多书名可能记忆错误。不过大差不差,搜索引擎的自动纠错和改写会帮你的~

  中国人写的导论书千万别买,都是夸夸其谈,非常laji,google上找国外pdf在学校或者淘宝打印是最省钱的,善用搜索引擎。很多书读着是很慢的,不要指望一下子读懂,慢慢消化理解,时不时翻一翻就可以了。就这么慢慢走,即使没有论文没有灵机一动的天才点子,我想在人工智能/机器学习/深度学习领域也绝对不会被淘汰的。毕竟知乎上的人都说机器学习门槛太低了,可是真的低吗。其实并不是的,有很多东西要学,不要指望一下子就什么都会了。

  更新,感谢诸位喜欢这个回答,有一些朋友要资源PDF我就不一个个发了。答主资源也不多,建一个群吧,把我的pdf书籍都放到群里面,大家加群自取,也希望各位能踊跃分享好的计算机资源,论文公开课书籍都可以,如果有可能大家也可以做个技术分享什么的,毕竟我们都乐于分享支持开源哈。

  我来推荐一本准确的说不算人工智能领域的书籍吧,但是我相信做机器学习的人如果读完这本书一定会有极深的启发,至少我是这样的。就是这本:

  里面的内容从传统统计到“计算机时代早期”的统计,再到最后“21世纪”的方法(包括很多机器学习方法),首先很有历史感和大局观,其次很多问题列举的例子非常具有启发意义,是一本不仅告诉你how and why,更告诉你motivation的书。

  我最近在给本科生上统计方法课,会介绍一些机器学习方法,其实还挺想把上课材料整理一下,写一本类似《用Python学统计学》的书,感觉可以为以上这本书填补不够practical的遗憾。

  看到大家推荐的书主要是应用类,或者介绍ML、DL「算法」的书籍。我本身比较喜欢理论的工作,就推荐一些理论的书籍吧。

  [3],[4]都是Vapnik老爷子(提出VC学习理论的大佬)的经典之作。从西伯利亚数学所到Facebook,这位大佬贡献了无数重要的工作。如果说[1][2]是较新的theory的书籍,那么[3][4]这两本就是上世纪末的比较经典的书籍。[1]比较直观,[2]比较厚实,都非常不错,推荐一起看。另外两本书都有中文版。

  最后还有一本土耳其Ethem Alpaydin的ML初学者著作「机器学习导论」,个人觉得还不错。不过好像很少看到有人讨论,可能是因为时间太久远了?

  这本书或许很老,但是神奇的是,最近一些年的新成果,经常能从这本书里面找到对应内容。一开始看或许会觉得,这书讲得啥啊,乱七八糟的,远不如看一本深度学习实战之类的,然而时间的沉淀下,这本书就会显得越来越有趣。

  人工智能是一个广阔的领域,深度学习乃至机器学习只是其中一部分。但即使这一部分,这本书也能在思想上带来很大的价值。

  现在AI方面的书太多,大部分都是技术类书籍。结合AI和商业相关的书,国内出的也有一些,但大多没有深度。这本书特别适合那些想在AI浪潮中理性寻求机会的年轻人,也适合那些非CS专业又对AI好奇的跨学科背景的同学们。

  在这本书里,作者会带着大家思考,人工智能如何改变你所从事的业务?我们常听到AlphaGo,以及各类劈天盖地的AI新闻,但其各类专业名词,却又让我们敬而远之。AI怎样才能用于改善客户体验、优化营销、帮助企业降低成本呢?

  作者在每一章也都用了真实的案例来进行拓展研究,Google and Netflix这类公司的实际案例也向读者展示了AI在如何塑造他们的行业。

  该书目前为全英文版本,作者用词也很流畅,读起来很富有逻辑感和娓娓道来。很庆幸,感谢出版社的信任,拿到了这本书的翻译权,正在紧锣密鼓翻译中。不过如果对这本书真心感兴趣的朋友,还是建议去读原汁原味的英文版,意思表达更准确。翻译总会丢失一些味道。

  作者佩德罗•多明戈斯Pedro Domingos,美国知名人工智能专家,华盛顿大学计算机科学教授,在机器学习与数据挖掘领域著有200多部专著和数百篇论文。Domingos教授是国际机器学习学会联合创始人,《机器学习》杂志编委会成员,美国人工智能协会院士(AAAI Fellow,国际人工智能界的最高荣誉),曾获SIGKDD创新大奖(数据科学领域的最高奖项)。

  人工智能的算法已经渗透在我们的生活中,Amazon和谷歌每天推荐你可能会喜欢的商品,帮你选择餐馆,外出时帮你选择最佳路线等,几乎无处不在。不同于传统的人工智能算法,现在悄然主导我们生活的是“能够学习的机器”,它们通过学习我们过去行为的海量数据,来预测我们未来的需求和行为的可能性;甚至在我们还没提出要求的时候,就能完成我们计划中的任务。

  终极算法,无论发展多么强大,始终是人类手里的工具。最终如何运用,仍依靠人的决定。这就对未来掌握人工智能的人提出了要求。

  《疑犯追踪》里的“机器”,它的出生经历了研发者芬奇的数百次迭代改善,不厌其烦的消灭它自己生成的一些邪恶的念头,将道德规则和底线灌输给它,并严格的限制它的成长。从全剧终的表现也可以看书,它始终遵守“父亲”芬奇教给它的原则,始终以善意为出发点运行。

  而《疑犯追踪》里的“撒玛利亚人”,一经上线,反派格里尔摇身一变甘愿做它的奴仆,任由其发展,它藐视生命,过度杀戮,最终产生统治世界、消灭一切反对者的可怕野心。

  当然,算法并不是万能的,某些关键性的决策,依然需要依靠人脑。比如新闻中曾有过一个顽强的技术宅,通过数据挖掘等技术,从相亲网站上匹配可能的最佳配偶,最终如愿以偿。但关键的一点是:是女士凭直觉主动找到了他,而不是算法帮他锁定了女士。

  尼克‧波斯特洛姆,全球著名思想家,牛津大学人类未来研究院的院长,哲学家和超人类主义学家。其学术背景包括物理、计算机科学、数理逻辑以及哲学,著有大约200种出版物,已经被翻译成22种语言。曾获得尤金‧甘农(Eugene R. Gannon)奖(该奖项的获得者每年只有一名,他们来自哲学、数学、艺术和其他人文学科与自然科学领域)。

  在这本书中,作者试图回答,当机器智能超越了人类智能时会发生什么?人工智能会拯救人类还是毁灭人类?我们之所以能控制地球,是因为我们的大脑比地球上所有其他动物的大脑都要复杂得多,拥有一些其他动物大脑没有的功能。正是这些独特的功能使我们的种族得以拥有主导地位。如果机器大脑在通用智能方面超越了人类,这种新兴的超级智能可能会极其强大,无法控制。正如大猩猩的命运更多的掌握在人类手中而不是自己手中一样,人类未来的命运也会取决于机器超级智能的行为。

  在书中,作者试图讨论这种超级智能将会具备什么能力? 将会以什么方式到来?会不会威胁我们的生命?同时提到我们的优势是有机会率先采取行动,是否有可能建造一个种子人工智能,允许人类在超级智能时代的生存?如何管控?以及如何向机器输入我们的价值观体系?很多有趣和烧脑的问题及解决方案。作者相信,超级智能对我们人类将是一个巨大的威胁,那么人类该如何应对这种风险。这本书书为理解人类和智慧生命的未来奠定了基础,试图重新定义人类未来所面临的终极挑战。这本书也是最早让钢铁侠Elon Musk开始担心人类命运的一本书。他在2014年看完这本《超级智能》之后,开始密切关注AI研究的进展和投资AI初创公司,包括投资当时不为人知的英国初创公司DeepMind,并推荐给谷歌创始人LarryPage。Musk也开始不断发声警示科技界,认为超级AI未来很可能出现而成为人类的终结者,我们必须采取行动,积极寻求未来的应对策略。

  杨强教授是微众银行的首席人工智能官(CAIO)和香港科技大学(HKUST)计算机科学与工程系讲席教授。他是多个国际协会的会士(Fellow),包括 ACM、AAAI、IEEE、IAPR 和 AAAS。ACMTIST 和 IEEE TBD 的创始主编。曾任或现任国际人工智能联合会议(IJCAI)的理事长和人工智能发展协会(AAAI)的执行委员会成员。曾获多个奖项,包括 2004/2005 ACM KDDCUP 冠军、ACM SIGKDD 卓越服务奖(2017)、AAAI 创新人工智能应用奖(2018, 2020)和吴文俊人工智能杰出贡献奖(2019)。

  当今是大数据(Big Data)时代,而大数据正是人工智能(Artificial Intelligence,AI)应用蓬勃发展的 “燃料”。事实却是,我们面对的数据常常既是小规模,又是碎片化的。例如,我们不能随意收集由移动终端设备产生的数据,这些数据都以碎片化的形式分散存在。

  举个例子,像医院这样的机构,由于行业的特殊性,对用户数据的掌握量往往是有限的。然而,由于用户隐私和数据安全方面的需求,使得在不同机构间以简单的方式将所有数据聚合到一处并进行处理变得越来越不可行。在这样的环境中,联邦机器学习(Federated Machine Learning),或者简称为联邦学习(Federated Learning),作为一种行之有效的解决方案引起了人们的广泛关注。联邦学习既能帮助多个参与方搭建共享的高性能模型,又符合用户隐私和数据保密性的要求。

  当然这本书不止是介绍到了医院场景,还有很多我们熟悉和不熟悉的行业。作为人工智能近年来最火热的研究方向,市面上一直缺乏联邦学习全面的“说明文档”,这本书基本补齐了这门技术的全面技术知识以及行业应用经验。可惜目前英文版只有在出版社官网能买到,小道消息最近可以期待一下中文版上线。

  和其他人工智能专家从计算机专业出身不同的是,作者Gary Marcus是认知科学家,是纽约大学心理学和神经科学教授,他创办了人工智能公司Geometric Intelligence(后被Uber收购),在Uber担任了几年首席科学家后,他离开Uber再次创业,创办了Robust.ai,从这个域名就知道他的愿景是创造可信的AI。他的这本书正是关于现在AI的缺陷与如何创造可信的AI的。

  我之所以推荐这本书,是因为我感觉现在很多AI从业者技术掌握得不错,但对趋势看得不太清晰,也不会意识到或者无意识的忽略掉目前人工智能的缺陷。这本书虽然在豆瓣评分才7.7,但分数不高主要是评分由于太少,而评低分的并不是观点不好,只是说叙述累赘了而已。我个人起码给这个书9分。

  Marcus在此书中深入浅出地分享了对人工智能技术发展的核心观点:如果我们沿用目前以深度学习为主的人工智能技术,而不在其内在结构上探索新的途径,以后将很难建立起具有人类般的认知能力和真正意义上的智能系统。

  这本书从技术、产业、战略、法律四个方面讲诉了人工智能的发展脉络,并附上了各国的相关战略与政策,是非常值得一看的并且经常翻阅的书。

  怎么说了,我看了一个星期,连推公式和课后习题,才看了一百多页,有点硬,全是公式。和最近cv论文基本无公式无推导形成鲜明对比,人工智能本来就很数学,硬是被一些人靠数据量和计算量堆我觉得不是正路

  入坑者但凡想把问题弄清楚一点必然逃不出计算数学、编程、统计学。个人理解这些问题的时候基本都是按这个顺序来的,即:先弄明白基本原理,尤其搞清楚计算流程 -- 再动手实现或者调包 -- 再回到统计上对其进行解释。至于编程,个人觉得把程序设计基础、数据结构、算法分析(基础)和面向对象设计好好过一遍,长期练习。在理论层面,个人分享以下这些书籍:

  这本书不想多说。更准确地讲应该说:这门课本就应该是入门一切机器学习课程的基础。许多人入门时光看看简单的MLP,BP-Net,然后就开跑。但稍一深入就开始觉得这里是坑那里是坑。说白了还是没有回到数学的本质问题上来。

  。为什么梯度就快?为什么算法不收敛?为什么有的大神弄出来的梯度看不懂?为什么有时候又不用梯度?为什么一个简单的线性方程组要迭代? 。。。这都是数值分析的

  他们从统计学的一些最基本的原理出发,对统计学习的方法和一些非常重要的理论进行了系统性地讲述。Vapnik博士的许多内容其实不好懂,因为涉及太多泛函、概率极限的知识。这本书的内容相对浅显得多。如果能顺着作者的讲述的思路,去逐步理解一些近些年新出的模型,会有醍醐灌顶的感觉。

  我记得有一次和知识图谱领域的大佬聊天,他评价说虽然人工智能技术层出不穷,但是很多概念是旧瓶装新酒,我读这本书的感受就是觉得他说的太对了。

  这也是这本书最有价值的地方———它以时间为顺序,涵盖了人工智能发展的方方面面,从硬件到算法;从语义表示到知识图谱,再到自然语言处理;从符号主义到连接主义,等等。

  具体的细节我不多介绍了,如果感兴趣的可以读一读,相信读完之后你会对层出不穷的新概念有更深刻的认识。

  2020年,似乎没有哪一个方向能比机器学习还要火热了,即使我们不打算从事算法方向,了解一点机器学习的基础知识也不是什么坏事,这一份书单,将带你入门基础的机器学习知识。

  《图解机器学习》用丰富的图示,从ZUI小二乘法出发,对基于ZUI小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况;第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法;第Ⅳ部分介绍了各种监督学习算法;第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码,可以用来进行简单的测试。

  杉山将,1974年生于大阪。东京工业大学计算机工程学博士毕业,现为东京大学教授、日本国立信息学研究所客座教授。主要从事机器学习的理论研究和算法开发,以及在信号和图像处理等方面的应用。2011年获日本信息处理学会长尾真纪念特别奖。著有《统计机器学习》、DensityRatioEstimationinMachineLearning等。同时也是PatternRecognitionandMachineLearning日文版的译者之一。

  许永伟,2009年赴东京大学攻读博士学位,现于东京大学空间信息科学研究所从事博士后研究(特任研究员)。主要研究方向为模式识别与机器学习、图像处理与计算机视觉,对数据挖掘、大数据和信息架构有浓厚兴趣。

  机器学习正在迅速改变我们的世界。我们几乎每天都会读到机器学习如何改变日常的生活。如果你在淘宝或者京东这样的电子商务网站购买商品,或者在爱奇艺或是腾讯视频这样的视频网站观看节目,甚至只是进行一次百度搜索,就已经触碰到了机器学习的应用。

  使用这些服务的用户会产生数据,这些数据会被收集,在进行预处理之后用来训练模型,而模型会通过这些数据来提供更好的用户体验。此外,目前还有很多使用机器学习技术的产品或服务即将在我们的生活当中普及,如能够解放双手的无人驾驶汽车、聪明伶俐的智能家居产品、善解人意的导购机器人等。可以说要想深入机器学习的应用开发当中,现在就是一个非常理想的时机。

  本书内容涵盖了有监督学习、无监督学习、模型优化、自然语言处理等机器学习领域所必须掌握的知识,从内容结构上非常注重知识的实用性和可操作性。全书采用由浅入深、循序渐进的讲授方式,完全遵循和尊重初学者对机器学习知识的认知规律。本书适合有一定程序设计语言和算法基础的读者学习使用。

  段小手,君兮科技创始人,毕业于北京大学。具有10余年国内一线互联网/电子商务公司项目管理经验。其负责的跨境电子商务项目曾获得“国家发改委电子商务示范项目”“中关村现代服务业试点项目”“北京市信息化基础设施提升项目”“北京市外贸综合公共平台”等专项政策支持。目前重点研究领域为机器学习和深度学习等方面。

  人工智能领域正在以超乎人们想象的速度发展,本书赶在人工智能彻底占领世界之前完成编写,实属万幸。

  书中收录了超过100道机器学习算法工程师的面试题目和解答,其中大部分源于Hulu算法研究岗位的真实场景。本书从日常工作、生活中各种有趣的现象出发,不仅囊括了机器学习的基本知识,而且还包含了成为出众算法工程师的相关技能,更重要的是凝聚了笔者对人工智能领域的一颗热忱之心,旨在培养读者发现问题、解决问题、扩展问题的能力,建立对机器学习的热爱,共绘人工智能世界的宏伟蓝图。

  “不积跬步,无以至千里”,本书将从特征工程、模型评估、降维等经典机器学习领域出发,构建一个算法工程师必-备的知识体系;见神经网络、强化学习、生成对抗网络等新科研进展之微,知深度学习领域胜败兴衰之着;“博观而约取,厚积而薄发”,在末一章为读者展示生活中各种yin领时代的人工智能应用。

  诸葛越,现任Hulu公司全球研发副总裁,中国研发中心总经理。曾任Landscape Mobile 公司联合创始人兼CEO,前雅虎北京全球研发中心产品总监, 微软北京研发中心项目总经理,雅虎美国高级软件架构师。诸葛越获美国斯坦福大学的计算机硕士与博士,纽约州立大学石溪分校的应用数学硕士,曾就读于清华大学计算机科学与技术系。诸葛越的研究结果获多项专利,2005年获美国计算机学会数据库专业委员会十年z佳论文奖。

  葫芦娃,15位Hulu北京创新实验室的人才。他们利用擅长的机器学习、深度学习等领域知识和算法模型,建立了一套定制化的机AI平台,改变着推荐引擎、视频编解码、内容理解、广告投放等多项与用户息息相关的在线业务技术。

  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、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料,以便有兴趣的读者进一步钻研探索。

  本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

  国家杰出青年科学基金获得者、长江学者特聘教授。先后担任多种SCI(E)期刊执行主编、副主编、副编辑、编委等。中国计算机学会人工智能与模式识别专业委员会主任,中国人工智能学会机器学习专业委员会主任,IEEE计算智能学会数据挖掘技术委员会副主席

  最近大学毕业了才有时间好好看书,拿起这本就没怎么停过。这本书非常理论,也比较难,但是里面所有的证明,不管看上去有多么风骚妖艳,每一步都写得清清楚楚,特别容易读,也不容易产生挫败感。



火狐体育地址 版权所有  公司地址:安徽省黄山市循环经济园紫金路16号     

电话:0086-559-3518000  手机:0086-13956270168 传真:0086-559-3516788

电子邮箱:sale.xy2@0559hy.com