亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

 在過去的幾年里，人工智能在語言能力方面取得了驚人的新進展。由深度學習的快速進步所推動，語言AI系統在編寫和理解文本方面的能力比以往任何時候都要好。這一趨勢促成了新功能、產品乃至整個行業的崛起。通過這本書，Python開發者將學習到使用這些能力所需的實用工具和概念。你將學習如何利用預訓練的大型語言模型的力量，用于像文案寫作和摘要等用例；創建超越關鍵詞匹配的語義搜索系統；構建分類和聚類文本的系統，以實現對大量文本文檔的可擴展理解；以及使用現有庫和預訓練模型進行文本分類、搜索和聚類。這本書還將向你展示如何：

• 構建高級LLM管道以聚類文本文檔并探索它們所屬的主題
• 使用像密集檢索和重排方法構建超越關鍵詞搜索的語義搜索引擎
• 學習這些模型可以提供價值的各種用例
• 理解底層變換器模型如BERT和GPT的架構
• 更深入地理解LLMs是如何被訓練的
• 理解不同的微調方法是如何優化特定應用中的LLMs的（生成模型微調、對比微調、提示學習等）
• 使用諸如生成模型微調、對比微調和提示學習等方法，為特定應用優化LLMs

AI 在過去的幾年中獲得了驚人的新語言能力。在深度學習的快速進步推動下，語言 AI 系統現在能夠比以往任何時候都更好地編寫和理解文本。這一趨勢促成了新功能、產品和整個行業的崛起。有了這本書，Python 開發者將學到他們今天需要使用這些能力的實用工具和概念。 您將學習如何利用預訓練的大型語言模型的能力，用于如拷貝寫作和摘要等用例；創建超越關鍵詞匹配的語義搜索系統；構建系統對文本進行分類和聚類，從而使大量的文本文件可擴展理解；以及使用現有庫和預訓練模型進行文本分類、搜索和聚類 。 本書還將教您如何： 構建高級的 LLM（大型語言模型）流水線來聚類文本文檔并探索它們所屬的主題 構建超越關鍵詞搜索的語義搜索引擎，使用像密集檢索和重新排名這樣的方法 了解這些模型可以提供價值的各種用例 理解像 BERT 和 GPT 這樣的基礎 Transformer 模型的架構 深入了解 LLMs 如何被訓練 理解為特定應用優化 LLMs 的不同方法（生成模型微調、對比微調、上下文學習等） 使用像生成模型微調、對比微調和上下文學習這樣的方法為特定應用優化 LLMs。

《實用C++后端編程》是一本全面的指南，為讀者提供了成為熟練的C++后端開發人員所需的工具和知識。本書著重于實際應用和實際實現，帶領讀者深入了解后端開發的多層次領域，因此對于任何有志成為或已經是后端開發人員的人來說，都是一份重要的資源。

本書從基礎開始，介紹了C++，為讀者提供了關于語言、結構和與后端編程相關的核心概念的堅實基礎。從那里，讀者深入研究了后端開發的更復雜要素。通過我們引人入勝的章節、用例和示例，讀者將接觸高級主題，如并發編程，探討線程和多進程處理密集型計算任務，從而為可擴展的應用程序奠定基礎。

本書深入探討了API，特別是gRPC，以及緩存策略和數據庫管理，選擇MongoDB作為NoSQL數據庫。與此同時，讀者將學會在實際環境中實施這些技術，從頭開始構建一個博客應用程序，從而彌合理論與實際實施之間的差距。書中專門介紹了保護應用程序的整個部分，其中書中教授了身份驗證、授權和數據庫安全，并演示了如何在博客應用程序中實施這些措施。

本書的另一個極為重要的部分是涵蓋了測試策略，教讀者如何使用Google Test（gtest）創建強大且不易出錯的后端解決方案。最后，本書提供了一步一步的指南，以在AWS上部署應用程序，確保讀者具備將應用程序投入實際運行所需的技能。

主要學習內容

1. C++編程的詳細概述，適用于初學者和有經驗的編程人員。
2. 實際探討并發編程，用于可擴展和高效的應用程序設計。
3. API使用的全面理解，特別是使用gRPC框架。
4. 深入研究MongoDB，實現有效的NoSQL數據庫管理和操作。
5. 詳細的緩存策略實施指南，用于性能優化。
6. 戰略性地使用Nginx處理Web服務器需求，包括負載均衡。
7. 實施數據庫、API和Web服務器的安全措施的操作指南。
8. 使用Google Test進行強大的應用程序測試和調試的指導。
9. 在AWS上部署應用程序的逐步指南，確保實際應用準備就緒。
10. 通過構建和完善博客應用程序來實際應用概念。

目標受眾 本書適合有一定C++背景但沒有后端開發經驗的讀者。無論你是初學者剛剛入門后端開發，還是經驗豐富的專業人士想要磨練技能和學到新東西，都能從中受益。無論你是學生、職業人士還是業余愛好者，本書都將教會你掌握C++后端開發的藝術所需的一切知識。

適用于初學Java的工作程序員，這本暢銷書將引導您了解Java 21的語言特性和API。通過有趣、引人入勝且現實的示例，作者Marc Loy、Patrick Niemeyer和Dan Leuck向您介紹了Java的基礎知識，包括其類庫、編程技巧和習慣，著眼于構建真實應用程序。

這本更新的第六版擴展了內容，繼續涵蓋了Lambda和流，并向您展示如何在Java中使用函數范式。您將了解到自第五版以來引入的最新Java功能，從JDK 15到21。您還將深入探討虛擬線程（在Java 19中作為Loom項目引入）。這本指南將幫助您：- 了解Java語言和Java應用程序的結構- 編寫、編譯和執行Java應用程序- 了解Java線程和并發編程的基礎知識- 學習Java I/O基礎知識，包括本地文件和網絡資源- 創建具有良好可用性的引人入勝的界面- 了解Java中如何集成功能特性- 隨著新版本的發布，跟蹤Java的發展 這本書適合計算機專業人士、學生、技術人員和對Java有實際需求的人，目的是構建真實應用程序。這本書還可以被視為面向對象編程、線程和用戶界面的速成課程。如果您具有C或C++等語言的一些經驗，那么在使用本書時您將有一些小小的優勢。如果沒有經驗，也不用擔心。在許多方面，Java的行為類似于Smalltalk和Lisp等更動態的語言。熟悉其他面向對象編程語言肯定會有幫助，盡管您可能需要改變一些想法和放棄一些習慣。與C++和Smalltalk等語言相比，Java要簡單得多。如果您從簡明的示例和個人實驗中學得更好，那么您會喜歡這本書。

關于作者

Marc Loy是一名高級軟件工程師和技術培訓師，專門研究用戶體驗設計和全棧開發。他于1995年開始在Sun Microsystems擔任培訓師時開始使用Java，并撰寫了多本關于Java、媒體制作和微控制器開發的書籍。 Patrick Niemeyer在Southwestern Bell Technology Resources工作時涉足Java。他是去中心化應用程序和機器學習領域的獨立顧問和作者。Pat是Java腳本語言BeanShell的創作者，并為許多開源項目做出了貢獻。他目前在舊金山的Orchid Labs工作。

在過去的10年中，數據分析和數據可視化已成為企業信息策略的關鍵組成部分。然而，數據分析的采用率仍然非常穩定，最多不超過潛在用戶的30%。這本書探討了進一步提高這種采用率的最重要技術：將分析嵌入到我們日常操作的工作流程中。作者 Donald Farmer，TreeHive Strategy 的首席，向商業用戶展示了如何在不成為分析專家的情況下改善決策。你將探索不同的技術，用于在分析平臺和托管應用之間交換數據、洞察和事件。你還將研究包括數據治理和監管合規在內的問題，并學習擴大規模部署和管理嵌入式分析的最佳實踐。學習數據分析如何改善商業決策和績效 探索不同嵌入式分析平臺的優點和缺點 為組織或產品開發一個嵌入式分析的策略 定義嵌入式解決方案的架構 選擇供應商、平臺和工具來實現你的架構 雇傭或訓練開發人員和架構師來構建你需要的嵌入式解決方案 了解嵌入式分析如何與傳統分析交互

過去的十年見證了人工智能和機器學習(AI/ML)技術的廣泛采用。

然而，由于缺乏對其廣泛實施的監督，導致了有害的結果，而這些結果本可以通過適當的監督避免。在我們認識到AI/ML的真正好處之前，從業者必須了解如何減輕其風險。本書描述了負責任的人工智能，這是一種基于風險管理、網絡安全、數據隱私和應用社會科學的最佳實踐，用于改進AI/ML技術、業務流程和文化能力的整體方法。這是一項雄心勃勃的事業，需要各種各樣的人才、經驗和視角。需要招募數據科學家和非技術監督人員，并授權他們審計和評估高影響力的AI/ML系統。作者Patrick Hall為新一代審計師和評估人員創建了本指南，他們希望讓AI系統更好地為組織、消費者和廣大公眾服務。

• 學習如何創建一個成功的、有影響力的負責任的人工智能實踐
• 獲取采用人工智能技術的現有標準、法律和評估指南
• 看看公司現有的角色是如何演變為包含負責任的人工智能的
• 研究實施負責任人工智能的商業最佳實踐和建議
• 在系統開發的所有階段學習負責任的人工智能的技術方法

如今，機器學習(ML)是人工智能(AI)中最具商業可行性的子學科。ML系統被用于在就業、保釋、假釋、貸款和世界各地的許多其他應用中做出高風險決策。在企業環境中，ML系統用于組織的所有部分——從面向消費者的產品到員工評估、后臺辦公自動化等等。事實上，過去十年帶來了ML技術的廣泛采用。但它也證明了ML會給運營商和消費者帶來風險。不幸的是，就像幾乎所有其他技術一樣，ML可能會失敗——無論是由于無意的誤用還是故意的濫用。截至目前，人工智能事件數據庫伙伴關系擁有超過1000份關于算法歧視、數據隱私侵犯、訓練數據安全漏洞和其他有害故障的公開報告。在組織和公眾能夠意識到這項令人興奮的技術的真正好處之前，必須減輕這些風險。直到今天，這仍然需要人們的行動——不僅僅是技術人員。解決復雜的ML技術帶來的各種風險需要不同的人才、經驗和觀點。這種整合了技術實踐、業務流程和文化能力的整體風險緩解方法，正被稱為負責任的人工智能。

讀完本書，讀者將了解負責任人工智能的文化能力、業務流程和技術實踐。本書分為三個部分，呼應負責任人工智能的每個主要方面。本書的每一部分都進一步分成幾章，討論特定的主題和案例。雖然本書仍在規劃和編寫中，但《面向高風險應用的機器學習》將以介紹這個主題開始，然后進入第1部分。下面是本書的初步提綱。

第1部分:人類的觸覺——負責任的機器學習的文化能力

第一部分針對的是組織文化在更廣泛的負責任人工智能實踐中的重要性。第一部分第一章的計劃涉及呼吁停止快速前進和破壞事物，重點是眾所周知的AI系統故障以及相關的詞匯和案例。第2章將分析消費者保護法、風險管理模型，以及其他指導方針、教訓和案例，這些對人工智能組織和系統中培養問責制很重要。第3章將探討團隊、組織結構和人工智能評估器的概念。第4章將討論人類與AI系統進行有意義交互的重要性，第5章將詳細介紹傳統組織約束之外的重要工作方式，如抗議、數據新聞和白帽黑客。

第2部分:為成功做準備——負責任的機器學習的組織過程關注點

第二部分將介紹負責任的人工智能過程。它將從第6章開始，探索組織策略和過程如何影響人工智能系統的公平性，以及令人吃驚的公平性缺失。第7章將概述人工智能系統的常見隱私和安全政策。第8章將考慮管理在美國部署人工智能的現有和未來法律和法規。第9章將強調AI系統的模型風險管理的重要性，但也指出了一些缺點。最后，第10章的藍圖是討論在未來負責任的人工智能采用的背景下，企業如何聽取過去對社會和環境責任的呼吁。

第三部分: 增強人類信任和理解的技術方法

第三部分的議程涵蓋了負責任人工智能的新興技術生態系統。第11章將介紹實驗設計的重要科學，以及當代數據科學家如何在很大程度上忽視了它。第12章將總結提高人工智能透明度的兩種主要技術:可解釋的機器學習模型和事后可解釋的人工智能(XAI)。第13章計劃深入探討機器學習模型的偏差測試和補救的世界，并應該解決傳統的和緊急的方法。第14章將介紹ML算法和AI系統的安全性，第15章將結束第3部分，廣泛討論AI系統的安全性和性能測試，有時也稱為模型調試。

面向數據編程是介紹面向數據范式的獨一無二的指南。這種開創性的方法用通用的不可變數據結構表示數據。它簡化了狀態管理，簡化了并發性，并消除了在面向對象代碼中會發現的常見問題。這本書通過對話、代碼片段和圖表展示了強大的新思想，幫助您快速了解關于DOP的偉大之處。最重要的是，該范例與語言無關，您將學習編寫可以用JavaScript、Ruby、Python、Clojure實現的DOP代碼，也可以用傳統的OO語言(如Java或c#)實現。

//www.manning.com/books/data-oriented-programming

面向數據的編程是為了幫助開發人員降低他們構建的系統的復雜性而編寫的。本書中的思想主要適用于操作信息的系統，如前端應用程序、后端Web服務器或Web服務。

這本書講述了一個故事，說明了面向數據編程(DOP)的價值，以及如何在現實生產系統中應用它的原則。我的建議是跟著故事走，按順序讀各個章節。然而，如果有些章節比其他章節更能激發你的好奇心，請注意，第一部分和第7部分的材料是需要理解第二和第三部分的。在本書中，我們使用Lodash ()來說明如何使用泛型函數操作數據。如果您正在閱讀的代碼片段使用的是您不熟悉的Lodash函數，您可以參考附錄D來理解函數的行為。第1部分，靈活性，包含六個章節，重點介紹了傳統面向對象編程(OOP)的挑戰，并將面向數據編程(DOP)放在中心位置，揭示了如何使用DOP的基本原則來構建靈活的系統。這些章節是這樣排列的:

• 在第一章“面向對象編程的復雜性”中，我們將討論面向對象編程的復雜性。然后，我們的DOP傳奇開始了!聽一聽高級開發人員Theo和他前途無量的同事Dave之間的對話。對Theo與OOP的復雜性作斗爭感到同情，并發現嘗試不同編程范式的一個極好的理由。

• 第二章，代碼和數據的分離，我們的朋友Theo正在尋找一種解決方案，可以降低系統的復雜性，增加系統的靈活性。他的工作有危險。Joe是一位經驗豐富的開發人員，他有一個答案——dop。了解DOP原則#1如何幫助降低信息系統的復雜性。

• 第三章，基本數據操作，探討了如何通過應用DOP原則#2，將數據從類剛性的封裝中解放出來，并使用泛型函數自由地操作它。Vive la革命!

• 第四章，狀態管理，通過多版本方法探索狀態管理，通過將系統恢復到以前的狀態，讓我們回到過去，因為在DOP中，狀態只是數據。時間旅行是真實存在的!

• 第五章，基本并發控制，通過應用樂觀并發控制策略，幫助我們在并發系統中獲得高的讀寫吞吐量。不需要玫瑰色的眼鏡!

• 第六章，單元測試，提供了一杯咖啡…與喬!我們的朋友Joe證明了面向數據的代碼單元測試非常簡單，你可以在咖啡店里完成它。喝杯茶，了解一下為什么它如此簡單——即使是突變!當你和Joe一起寫DOP單元測試的時候。它很酷豆!

第2部分 (可擴展性)演示了如何大規模構建DOP系統，重點關注數據驗證、多線程環境、大型數據集合、數據庫訪問和web服務。需要超大的系統?沒問題!

• 第7章，基本數據驗證，教我們如何確保數據進出我們的系統是有效的，只是以防萬一…因為，正如Joe所說，您不必在DOP中強制驗證數據，但是在需要時可以驗證。驗證還是不驗證，這是一個問題!

• 第8章，高級并發控制，在我們的朋友Joe分解原子機制的實現細節之后，我們將學習如何在不使用任何鎖的情況下以線程安全的方式管理整個系統狀態。你根本不知道從原子到原子的復雜性!

• 第9章，持久數據結構，轉移到一個更學術的環境，我們的朋友Joe揭示了一個更安全、更可伸縮的方式來保持數據不變性的內部細節，以及如何有效地實現它，無論數據大小。現在開始上課!

• 第10章，數據庫操作，教我們如何表示、訪問和操作數據庫中的數據，并提供額外的靈活性，你猜對了!表示“不”的復雜性。?第11章，Web服務，讓我們發現與Web服務通信的簡單性。我們會學到喬說的“我們應該像構建外部那樣構建系統的內部”是什么意思。

第3部分，可維護性，介紹高級數據驗證、多態、有效代碼和調試技術的DOP技術，這些技術在團隊中工作時非常重要。歡迎加入我們的團隊!

• 第12章，高級數據驗證，允許我們發現未來事物的形狀。在這里，您將學習如何在數據在系統內部流動時驗證數據，通過定義函數參數和返回值的預期形狀，從而簡化開發。

• 第13章，多態性，帶我們和Theo和Dave一起上了一節鄉下的課——一個適合與動物玩耍的地方，并通過多重方法學習沒有對象的多態性。

• 第十四章，高級數據操作，讓我們看到Dave和Theo如何應用Joe的明智建議，在他們創建自己的數據操作工具時，將乏味的代碼變成有說服力的代碼。本末倒置。“——又是喬送的寶石!”

• 第十五章，調試，把Dave和Theo帶到博物館最后一次“歡呼”，因為他們創造了一個創新的解決方案來重現和修復錯誤。

深度學習（Deep Learning）如今已成為非常活躍的研究領域，同時也為現代機器學習鋪展了一條康莊大道。本書提供許多范例與清楚的說明，引導讀者進一步了解這個復雜領域中的一些主要概念。

包括Google、微軟和Facebook這樣的業界龍頭，全都在其內部積極發展深度學習團隊。不過對于一般人來說，深度學習仍舊是個相當復雜而困難的主題。如果您熟悉Python，并具備微積分的背景知識，加上對于機器學習的基本理解，本書即可幫助您入門。

了解機器學習和神經網路的基礎知識 了解如何訓練正向饋送神經網路 用TensorFlow實現你的第一個神經網路 網路越來越深度時，相關問題的管理 建立能夠分析復雜圖片的神經網路 使用自動編碼器進行有效的降維操作 深入序列分析以處理自然語言 了解強化學習的基礎知識

目錄大綱

第1章神經網路 第2章訓練正向饋送神經網路 第3章運用TensorFlow 實現神經網路 第4章超越梯度遞減 第5章卷積神經網路 第6章嵌入和表達方式的學習 第7章序列分析模型 第8章記憶強化神經網路 第9章深度強化學習

//noracook.io/Books/MachineLearning/fundamentalsofdeeplearning_1ed.pdf

如果你想從程序員轉行做人工智能專家，這是一個理想的起點。基于Laurence Moroney非常成功的AI課程，這本介紹性的書提供了一個動手、代碼優先的方法來幫助你建立信心，同時你學習關鍵主題。

您將了解如何實現機器學習中最常見的場景，如計算機視覺、自然語言處理(NLP)和針對Web、移動、云和嵌入式運行時的序列建模。大多數關于機器學習的書都是從大量的高等數學開始的。本指南建立在讓您直接使用代碼的實際經驗基礎上。

//www.oreilly.com/library/view/ai-and-machine/9781492078180/#:~:text=Book%20description,while%20you%20learn%20key%20topics.

你將學習:

• 如何構建TensorFlow模型
• 通過代碼示例學習機器學習的基礎知識
• 如何實現計算機視覺，包括圖像的特征檢測
• 如何使用自然語言處理對單詞和句子進行標記和排序
• Android和iOS模型的嵌入方法
• 如何通過TensorFlow服務端在網絡和云上部署服務模型

通過技術例子從業務角度發現深度學習的潛在應用、挑戰和機會。這些應用包括圖像識別、分割和注釋、視頻處理和注釋、語音識別、智能個人助理、自動翻譯和自動車輛。

面向開發者的深度學習業務應用介紹涵蓋了一些常見的DL算法，比如基于內容的推薦算法和自然語言處理。您將探索一些示例，例如使用全卷積神經網絡(FCNN)和剩余神經網絡(ResNets)進行視頻預測。您還將看到DL用于控制機器人的應用程序，使用蒙特卡羅樹搜索(用于在圍棋游戲中擊敗人類)探索DeepQ學習算法，以及為財務風險評估建模。這里還將提到一組被稱為生成對抗神經網絡(GANs)的強大算法，它可用于圖像著色、圖像補全和樣式轉換。

讀完這本書，你將對深度神經網絡這一令人興奮的領域有一個概述，并對深度學習的大部分主要應用有一個理解。這本書包含了一些代碼示例、技巧和如何使用Keras框架訓練深度學習模型的見解。

你將學到什么

• 讓我們來了解一下深度學習以及它為什么如此強大
• 使用主要算法來訓練深度學習模型
• 深度學習應用方面的重大突破
• 運行一些簡單的示例，并選擇一些深度學習庫
• 探索深度學習對商業的影響領域

這本書是給誰的

• 數據科學家、企業家和商業開發人員。