|
000
|
01904nam 2200325 450
|
|
001
|
92088
|
|
005
|
20250817175142.17
|
|
010
|
|
@a978-7-115-65983-5@dCNY69.80
|
|
100
|
|
@a20250313d2025 em y0chiy50 ea
|
|
101
|
1
|
@achi@ceng
|
|
102
|
|
@aCN@b110000
|
|
105
|
|
@aa a 000yy
|
|
106
|
|
@ar
|
|
200
|
1
|
@a大模型技术30讲@Ada mo xing ji shu 30 jiang@f(美) 塞巴斯蒂安·拉施卡著@d= 30 essential questions and answers machine learning and AI@fSebastian Raschka@g叶文滔译@zeng
|
|
210
|
|
@a北京@c人民邮电出版社@d2025.02
|
|
215
|
|
@a182页@c图@d24cm
|
|
225
|
2
|
@a图灵程序设计丛书@Atu ling cheng xu she ji cong shu
|
|
300
|
|
@a图灵教育
|
|
306
|
|
@a由No Starch Press授权出版
|
|
314
|
|
@a塞巴斯蒂安·拉施卡 (Sebastian Raschka), 极具影响力的人工智能专家, GitHub项目LLMs-from-scratch的star数达38.2k。现在大模型独角兽公司Lightning Al任资深研究工程师。博士毕业于密歇根州立大学, 2018-2023年威斯康星大学麦迪逊分校助理教授 (终身教职), 从事深度学习科研和教学。叶文滔, 中国计算机学会自然语言处理专委会委员。曾任职于字节跳动、蚂蚁集团、星环科技、平安科技等互联网科技企业，负责过多个人工智能、大模型领域研发项目, 拥有多项人工智能相关专利, 并著有多篇相关论文。
|
|
320
|
|
@a有书目
|
|
330
|
|
@a本书中, 我们将学习各种新概念, 如深度神经网络架构、计算机视觉、自然语言处理、产品化与部署和模型评估, 内容涉及: 如何利用修改后的数据集或模型来降低过拟合 ; 如何处理深度神经网络训练中的常见随机性来源 ; 如何在不改变模型架构或降低精度的情况下, 通过优化加快模型推断速度 ; 如何在实践中应用彩票机制假设和分布假设 ; 如何使用和微调预训练的大规模语言模型等技术。
|
|
410
|
0
|
@12001 @a图灵程序设计丛书
|
|
500
|
10
|
@a30 essential questions and answers machine learning and AI@mChinese
|
|
606
|
0
|
@a人工智能@Aren gong zhi neng
|
|
690
|
|
@aTP18@v5
|
|
701
|
1
|
@a拉施卡@Ala shi ka@g(Raschka, Sebastian)@4著
|
|
702
|
0
|
@a叶文滔@Aye wen tao@4译
|
|
801
|
0
|
@aCN@c20250909
|
|
905
|
|
@a河南城建学院图书馆@dTP18@eL007-2@f1
|
|
|
|
|
| |
| 大模型技术30讲/(美) 塞巴斯蒂安·拉施卡著= 30 essential questions and answers machine learning and AI/Sebastian Raschka/叶文滔译.-北京：人民邮电出版社，2025.02 |
| 182页：图；24cm.-(图灵程序设计丛书) |
| 图灵教育 |
| |
| ISBN 978-7-115-65983-5：CNY69.80 |
| 本书中, 我们将学习各种新概念, 如深度神经网络架构、计算机视觉、自然语言处理、产品化与部署和模型评估, 内容涉及: 如何利用修改后的数据集或模型来降低过拟合 ; 如何处理深度神经网络训练中的常见随机性来源 ; 如何在不改变模型架构或降低精度的情况下, 通过优化加快模型推断速度 ; 如何在实践中应用彩票机制假设和分布假设 ; 如何使用和微调预训练的大规模语言模型等技术。 |
| ● |
正题名：大模型技术30讲
索取号：TP18/L007-2
预约/预借
| 序号
|
登录号
|
条形码
|
馆藏地/架位号
|
状态
|
备注
|
|
1
|
1626052
|
216260524
|
自科库301/301自科库 101排9列5层/
[索取号:TP18/L007-2]
|
在馆
|
|
