会员
ChatGPT大模型：技术场景与商业应用
更新时间：2024-12-24 10:29:05 最新章节：12.3.3 “通义千问”携手“灵锡”，加深数字化城市探索
书籍简介
ChatGPT作为人工智能领域的一大进步，引起了热议，其强大功能的背后离不开大模型的支持。大模型指的是参数规模超过千万的机器学习模型，主要应用于语音识别、计算机视觉等领域。本书聚焦大模型，对大模型的技术场景和商业应用展开详细叙述。本书主要从典型应用ChatGPT入手，探寻其背后支撑大模型的魅力。首先，本书对大模型的基础概念、产业格局、带来的新型商业模式进行讲解，展现了大模型的发展现状和商业化潜力。其次，本书从数据服务、智能搜索、办公工具、对话式AI、休闲娱乐、生产制造、智慧营销、智慧城市等方面讲述了大模型的诸多应用场景，并阐述了大模型在这些领域的应用现状、应用潜力、企业探索实践等。
品牌：清华大学
上架时间：2023-12-01 00:00:00
出版社：清华大学出版社
本书数字版权由清华大学提供，并由其授权上海阅文信息技术有限公司制作发行
最新章节
梅磊 施海平 陈靖
同类热门书
最新上架
- 会员本书基于国产自主可控龙芯处理器，系统地介绍计算机视觉领域的基本理论与实践，并结合当前主流的深度学习框架和龙芯平台以项目式教学的形式讲述任务的实施。本书主要包括OpenCV基础功能实战、深度学习框架的部署、计算机视觉技术基础知识、图像分类网络的部署、目标检测网络的部署、图像分割网络的部署、龙芯智能计算平台模型的训练和龙芯智能计算平台的推理部署等内容。通过阅读本书，读者能够了解和掌握深度学习在计算机视计算机10万字
- 会员这是一本系统梳理并深入解析大模型的基础理论、算法实现、数据构造流程、模型微调方法、偏好对齐方法的著作，也是一本能手把手教你构建角色扮演、信息抽取、知识问答、AIAgent等各种强大的应用程序的著作。本书得到了零一万物、面壁智能、通义千问、百姓AI、澜舟科技等国内主流大模型团队的负责人的高度评价和鼎力推荐。具体地，通过本书你能了解或掌握以下知识：（1）大型语言模型的基础理论，包括常见的模型架构、领计算机11.2万字
- 会员本书以Python3.10.7为平台，以实际应用为背景，通过概念、公式、经典应用相结合的形式，深入浅出地介绍了Python图形图像处理经典实现。全书共10章，主要包括绪论、迈进Python、Python图形用户界面、数据可视化分析、图像视觉增强分析、图像视觉复原分析、图像视觉几何变换与校正分析、图像视觉分割技术分析、图像视觉描述与特征提取分析、车牌识别分析等内容。通过本书的学习，读者可领略到Py计算机12.3万字
- 会员增长是企业利用计算机、大数据、人工智能等新技术实现经营增长的新思路和新方法，本书作为该领域的入门级读物，介绍了AIGC在增长领域的技术和实战应用。本书分为4部分，第1部分、第2部分、第4部分主要针对有兴趣了解AIGC背后技术原理、增长模式的变化以及截至2023年3月业界、学术界的最新技术进展的读者；第3部分包含AI的基础知识、基础模型，并从实战应用角度介绍作为应用开发者如何高效上手与利用最新的开源计算机21.9万字
- 会员这是一本能从业务、方法、场景3个维度帮助读者使用AI技术提升数据分析和数据化运营能力的著作。用扎实的理论框架、丰富的实践案例、实用的操作技巧，全面展示了如何用AI延伸业务分析广度、拓展业务分析深度、优化业务分析效能，从而达到帮助企业用智能的数据化运营实现业务持续增长的目的。本书采用案例驱动的写作方式，通过实际业务案例详细拆解AI技术在各个场景中的应用步骤和技巧。语言简洁易懂，理论与实践结合，注重实计算机17.2万字
- 会员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，不仅介绍了经计算机20.6万字
- 会员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，每一步都进行了计算机26.2万字
- 会员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，但是最计算机7.4万字