巧用ChatGPT进行数据分析与挖掘

最新上架

• 会员

  人工智能基础与应用

  本书主要介绍了人工智能的基础知识和实用技术。本书共8章，包括“人工智能：开启智慧新时代”“Python：人工智能开发语言”“线性回归：预测未来趋势”“分门别类：帮你‘分而治之’”“物以类聚：发现新簇群”“个性化推荐：主动满足你的需求”“语音识别：让机器对你言听计从”“人脸识别：机器也认识你”。本书以培养学生人工智能素养、人工智能思维和人工智能基本应用能力为设计理念，在内容的选取和安排上符合学生的学

  宋楚平 陈正东主编计算机12.9万字
• 会员

  如何教人工智能说人话？

  AI的本质是什么？自然语言和人工语言的区别在哪里？ChatGPT究竟是人工智能发展道路上的里程碑，还是某种误入歧途的“假AI”？我们不许诺美丽空洞的AI前景，而是告诉读者，未来的AI之路到底有多少激流险滩——对于统计学工具与硬件升级的片面崇拜，对于智能科学基本原理的蔑视，是目前AI研究的大危机。在我们看来，万众期待的ChatGPT，只是新时代的“牛顿炼金术”。

  徐英瑾计算机17.8万字
• 会员

  AI自媒体写作超简单

  本书结合作者10多年写作经验，基于AI应用ChatGPT、文心一言、智谱清言、讯飞星火、通义千问、Kimi等，详细介绍了使用AI写作的流程、方法和技巧，旨在帮助想要通过内容输出加速个人发展的读者，快速掌握AI自媒体写作的方法和技巧。本书分为11章，涵盖AI自媒体写作概述、AI提示词、AI起标题、AI做选题、AI角色化写作、AI套路化写作、AI仿写、AI模块化写作、AI改写、AI润色、AI智能体写作

  安晓辉计算机9.2万字
• 会员

  ChatGPT：AIGC时代商业应用赋能

  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

  施襄计算机12.8万字
• 会员

  AI数字人原理与实现

  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

  方进计算机26.2万字
• 会员

  机器学习（第2版）

  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

  赵卫东 董亮编著计算机30.2万字
• 会员

  机器学习教程（微课视频版）

  本书兼顾机器学习基础、经典方法和深度学习方法，对组成机器学习的基础知识和基本算法进行了比较细致的介绍，对广泛应用的经典算法如线性回归、逻辑回归、朴素贝叶斯、支持向量机、决策树和集成学习等算法都给出了深入的分析并讨论了无监督学习的基本方法，对深度学习和强化学习进行了全面的叙述，比较深入地讨论了反向传播算法、多层感知机、CNN、RNN和LSTM等深度神经网络的核心知识和结构；对于强化学习，不仅介绍了经

  张旭东编著计算机20.6万字
• 会员

  从零开始大模型开发与微调：基于PyTorch与ChatGLM

  大模型是深度学习自然语言处理皇冠上的一颗明珠，也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch2.0作为学习大模型的基本框架，以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术，为读者揭示大模型开发技术。《从零开始大模型开发与微调：基于PyTorch与ChatGLM》共18章，内容包括人工智能与大模型、PyTorch2.0深度学习环境搭建

  王晓华计算机12.8万字
• 会员

  机器学习的算法分析和实践

  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

  孙健编著计算机7.4万字