足本原著无障碍 鬼谷子 [春秋]鬼谷子,马祝恺 金城出版社【正版】 免费 夸克云 mobi azw3 pdf 下载 chm snb

《鬼谷子》是先秦纵横家的理论著作，是对春秋以来行人游说、谏说的经验技巧和此类文章写作经验与技巧的总结，在我们古代心理学和人际关系学、组织管理与策划等研究上，具有重要作用。

捭阖

捭阖之道

离合有守，先从其志

捭贵周，阖贵密

捭阖者，说之变也

捭阖之道，说人之法也

刎颈之交

冯谖客孟尝君

应变的王羲之

不战而屈人之兵

反应第二

事有反而得覆者

反而求之，其应必出

以反求覆，符应不失

自知而后知人

假途灭虢的晋献公

先见之明的蔫贾

机智谈天的秦宓

内楗第三

事皆有内捷

详思来捷，往应时当

得其情，乃制其术

圣人立事，以此先知而捷万物

捷而内合

义不帝秦的鲁仲连

存鲁、乱齐、灭吴、强晋而霸越

刘邦用计擒韩信

赵高陷害李斯

抵嵫第四

物有自然，事有合离

抵巇之隙，为道术用

抵之以法

能因能循，为天地守神

闻声断案的子产

智捕盗贼的张敞

飞箝第五

征远来近

引钩箝之辞，飞而箝之

钩其所好，以箝求之

可箝而从，可箝而横

引人入彀的孟子

智劝汉武帝的东方朔

白衣渡江的吕蒙

忤合第六

趋合倍反，计有适合

合于彼而离于此，计谋不两忠

忤合之地而化转之

忤合之道

诈称疾笃的司马懿

不断求封的王翦

醉酒避祸的阮籍

聪明颖悟的杨修

揣篇第七

量天下之权，而揣诸侯之情

情变于内者，形见于外

揣情最难守司

二桃杀三士的晏婴

凤求凰

草船借箭

摩篇第八

摩之在此，符应在彼

谋之于阴，成之于阳

圣人所独用者，众人皆有之

摩之以其类

曹冲称象

将心比心的触龙

巧用反间计的田单

权篇第九

言或反复，欲相却也

策选进谋者，权也

“口可以食，不可以言”

知其用而用

终日言，不失其类而事不乱

巧妙机智的程婴

千缗买琴的陈子昂

谋篇第十

必得其所因，以求其情

百事一道而百度一数

因事而裁之

阴道而阳取之

事贵制人，而不贵见制于人

圣人之制道，在隐与匿

虞卿与楼缓辩割地

料事如神的孙膑

能言善辩的苏代

决篇第十一

善其用福，恶其有患

决情定疑，万事之基

智退齐兵的慎子

暗中帮助张仪的苏秦

深谋远虑的武则天

奇货可居的吕不韦

符言第十二

主于位者，安徐正静而已

主于明者，以天下之目视也

主于位者，在于含弘而勿拒也

主于赏者，贵于信也

主于问者，须辨三才之道

主于因者，贵于循理

主于周者，在于遍知物理

主于恭者，明知千里之外

主于名者，在于称实

游宴以备荒的范仲淹

开诚布公的秦惠王

转丸第十三（亡佚）

胠乱第十四（亡佚）本经阴符七术

盛神法五龙

养志法灵龟

实意法媵蛇

分威法伏熊

散势法鸷鸟

转圆法猛兽

损兑法灵蓍

巧于应对的晏婴

简易治民的班超

持枢

持枢之道

心存仁爱的孔子

以礼观生死的子贡

中经

世异时危，《中经》变要之术

见形为容，象体为貌者

闻声和音

解仇斗郄

缀去者，缀己之系言

却语者，察伺短也

摄心者，人系其心于己

守义者，守以人义

改名报恩的廉范

谨守诺言的诸葛恪

项羽的崛起

刘邦的崛起

暂无相关内容，正在全力查找中

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：足本原著无障碍 鬼谷子 [春秋]鬼谷子,马祝恺 金城出版社【正版】在线阅读

在线听书地址：足本原著无障碍 鬼谷子 [春秋]鬼谷子,马祝恺 金城出版社【正版】在线收听

在线购买地址：足本原著无障碍 鬼谷子 [春秋]鬼谷子,马祝恺 金城出版社【正版】在线购买

图神经网络(Graph Neural Network，GNN)是近年来在传统深层神经网络基础上发展起来的一个新领域，也可以称之为图上的深度学习。20世纪末，基于传统人工神经网络的深度学习迅猛发展，深刻影响了各个学科，并促使基于数据驱动的第二代人工智能的崛起。尽管深度学习在处理大数据上表现出许多优势，但它仅能有效地处理欧式空间的数据(如图像)和时序结构的数据(如文本)，应用范围很有限。一方面，大量的实际问题，如社交网络，生物网络和推荐系统等都不满足欧式空间或时序结构的条件，需要用更一般的图结构加以表示。另一方面，虽然深度学习可以处理图像、语音和文本等，并取得不错的效果，但这些媒体均属分层递阶(hierarchical)结构，无论是欧式空间还是时序结构都难给予充分的描述。以图像为例，在像素级上图像可以看成一个欧式空间，但在其他视觉单元上，如局部区块、部件和物体等层次上并不满足欧式空间的条件，如缺乏传递性或/和对称性等。单纯的欧式空间表示无法利用这些非欧式空间的结构信息，因此也需要进一步考虑和探索图的表示形式。其他像语音与文本等时序结构的数据的处理也存在类似问题。综上所述，由于“图”(包括有环与无环、有向与无向等)具有丰富的结构，图神经网络将图论和深度学习紧密地融合在一起，充分利用结构信息，有望克服传统深度神经网络学习带来的局限性。可见，探索与发展图神经网络是必然的趋势，这也是它成为近年来在机器学习中发展最快和影响最深的研究领域的一个原因。

《图神经网络：基础、前沿与应用》一书系统地介绍了图神经网络的各个方面，从基础理论到前沿问题，从模型算法到实际应用。全书分四部分，共27章。

第一部分 引言：机器学习的效率不仅取决于算法，还取决于数据在特征空间中的表示方法。好的表示方法应该由数据中提取的最少和最有效的特征组成，并能通过机器学习自动获取，这就是所谓的“表示学习”（也称表征学习...

图像表征学习是理解各种视觉数据(如照片、医学图像、文件扫描和视频流等)的语义的一个基本问题。通常情况下，图像处理中的图像表征学习的目标是弥合像素数据和图像语义之间的语义差距。图像表征学习已经成功解决了现实世界里的许多问题，包括但不限于图像搜索、面部识别、医学图像分析、照片处理和目标检测等。

近年来，我们见证了图像表征学习从手工特征工程到通过深度神经网络模型自动处理的快速发展过程。传统上，图像的模式是由人们基于先验知识借助手工特征提取的。例如，Huang et al (2000)从笔画中提取了字符的结构特征，然后用它们识别手写字符。Rui (2005) 采用形态学方法改善了字符的局部特征，然后使用PCA提取字符的特征。然而，所有这些方法都需要手动从图像中提取特征，因此相关的预测表现强烈依赖于先验知识。在计算机视觉领域，由于特征向量具有高维度，手动提取特征是非常烦琐和不切实际的。因此，能够从高维视觉数据中自动提取有意义的、隐藏的、复杂的模式，这样的图像表征学习是必要的。基于深度学习的图像表征学习是以端到端的方式学习的，只要训练数据的质量足够高、数量足够多，其在目标应用中的表现就比手动制作的特征要好得多。

用于图像处理的监督表征学习。在图像处理领域，监督学习算法，如卷积神经网络(Con- volution Neural Network，CNN) 和深度信念网络 (Deep Belief Network，DBN) ，被普遍应用于解决各种任务。最早的基于深度监督学习的成果之一是在2006年提出的(Hinton et al，2006)，它专注于处理MNIST数字图像分类问题，其表现优于最先进的支持向量机 (Support Vector Machine，SVM) 。自此，深度卷积神经网络(ConvNets) 表现出惊人的性能，这在很大程度上取决于它们的平移不变性、权重共享和局部模式捕...

暂无其它内容！