知识图谱开创了人工智能的新范式,以数据驱动和知识驱动相结合,开启了下一代人工智能,实现了人与人、人与机器、机器与机器的协同协作。此外,知识图谱突破了传统的人工智能研究领域,从广泛的文本、结构化、视觉和时序等多模型数据中提取知识已成为知识图谱发展的主要方向之一,多模态知识图谮的构建可深度融合并灵活运用显式符号知识和隐式数据知识。将深度学习、图深度学习、迁移学习与元学习深度融合是知识图谱的发展趋势,可用于全类型、高涵盖的大规模知识图谱构建,实现更精深的知识推理,是通往鲁棒、可解释的人工智能之路。 Dieter Fensel 是语义网络研究的先驱之一,本书是其团队在知译者序识图谱领域的主要成果之一。本书共5章,主要讨论了知识图谱的整个生命周期,知识图谱的概念、构建、实现、维护和部署、技术架构和未来工
¥56.80定价:¥59.80 (9.5折)
AI可解释性(Python语言版) 通过构建XAI的方法论体系,形成一组工具和方法,从而解释ML模型产生的复杂结果,帮助人们理解ML模型。
《AI可解释性(Python语言版)》的出版恰逢其时,通过构建XAI的方法论体系,形成一组工具和方法,从而解释ML模型产生的复杂结果,帮助人们理解ML模型。本书从不可知论、依赖模型方法或内在可解释性构建了人工智能模型方法论,从全局可解释性和局部可解释性两个方面来回答AI 是什么 为什么以及 如何做 等方面的问题。本书适合人工智能从业者、计算机科学家、统计科学家以及所有对机器学习模型可解释性感兴趣的读者阅读。
¥56.80定价:¥59.80 (9.5折)