|
000
|
01804nam0 2200301 450
|
|
001
|
2441989178
|
|
010
|
|
@a978-7-121-46018-0@dCNY108.00
|
|
100
|
|
@a20230919d2023 em y0chiy0120 ea
|
|
101
|
1
|
@achi@ceng
|
|
102
|
|
@aCN@b110000
|
|
105
|
|
@aak a 001yy
|
|
106
|
|
@ar
|
|
200
|
1
|
@a深度生成模型@Ashen du sheng cheng mo xing@d= Deep generative modeling@f(波) Jakub M. Tomczak著@g王冠译@zeng
|
|
210
|
|
@a北京@c电子工业出版社@d2023.09
|
|
215
|
|
@axvii, 196页@c彩图@d24cm
|
|
306
|
|
@a本书中文简体翻译版授权电子工业出版社独家出版
|
|
314
|
|
@a责任者规范汉译姓: 汤姆扎克
|
|
314
|
|
@aJakub M. Tomczak (杰克布·M. 汤姆扎克) 阿姆斯特丹自由大学计算智能小组的人工智能助理教授、弗罗茨瓦夫理工大学机器学习博士, 曾在阿姆斯特丹高通人工智能研究公司担任深度学习研究员 (员工工程师), 以及玛丽斯克洛多夫斯卡-居里教授的个人研究员。研究兴趣包括概率建模、深度学习、近似贝叶斯建模和深度生成建模 (特别关注变分自动编码器和基于流的模型)。王冠, 北京大学物理及计算机学士, 香港科技大学物理研究型硕士, 谷歌机器学习开发者专家, 先后在多个学术和工业研究实验室从事机器学习、计算机视觉和自然语言处理的研发, 并在保险行业应用人工智能方面有多年的经验。
|
|
320
|
|
@a有书目和索引
|
|
330
|
|
@a本书主要讲述如何将概率建模和深度学习结合起来去构建可以量化周边环境不确定性的强大的AI系统。这种AI系统可以从生成的角度来理解周边世界。本书涵盖了深度生成模型的多种类型, 包括自回归模型、流模型、隐变量模型、基于能量的模型等。这些模型构成了以ChatGPT 为代表的大语言模型, 以及以Stable Diffusion 为代表的扩散模型等深度生成模型背后的技术基石。
|
|
500
|
10
|
@aDeep generative modeling@mChinese
|
|
586
|
|
@a
|
|
606
|
0
|
@a人工智能@Aren gong zhi neng
|
|
690
|
|
@aTP18@v5
|
|
701
|
1
|
@a汤姆扎克@Atang mu zha ke@g(Tomczak, Jakub M.)@4著
|
|
702
|
0
|
@a王冠@Awang guan@4译
|
|
801
|
0
|
@aCN@c20230919
|
|
905
|
|
@dTP18@eT199@f1@sTP18/T199@S@Z
|
|
|
|
|
| |
| 深度生成模型= Deep generative modeling/(波) Jakub M. Tomczak著/王冠译.-北京：电子工业出版社，2023.09 |
| xvii, 196页：彩图；24cm |
| |
| |
| ISBN 978-7-121-46018-0：CNY108.00 |
| 本书主要讲述如何将概率建模和深度学习结合起来去构建可以量化周边环境不确定性的强大的AI系统。这种AI系统可以从生成的角度来理解周边世界。本书涵盖了深度生成模型的多种类型, 包括自回归模型、流模型、隐变量模型、基于能量的模型等。这些模型构成了以ChatGPT 为代表的大语言模型, 以及以Stable Diffusion 为代表的扩散模型等深度生成模型背后的技术基石。 |
| ● |
正题名：深度生成模型
索取号：TP18/T199
预约/预借
| 序号
|
登录号
|
条形码
|
馆藏地/架位号
|
状态
|
备注
|
|
1
|
21617820
|
216178204
|
自科库301/301自科库 102排3列6层/
[索取号:TP18/T199]
|
在馆
|
|
