《深度学习》内容介绍：《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第 1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第 2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。 《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。 《动手学深度学习》内容简介：本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以

《神经网络与深度学习：案例与实践》是《神经网络与深度学习》（蒲公英书）的配套实践书，由复旦大学邱锡鹏教授和百度飞桨团队合作完成。本书在章节设计上和《神经网络与深度学习》一一对应，并以模型解读+案例实践的形式进行介绍。模型解读主要聚焦如何从零开始一步步实现深度学习中的各种模型和算法，并结合简单的任务来加深读者对模型和算法的理解；案例实践主要强调如何使用飞桨预定义API来更好地完成实际任务，会涉及一些数据预处理问题。建议读者将本书和《神经网络与深度学习》结合阅读，在动手实践中更深入地理解深度学习的模型和原理。

本书全面阐述了现代因果关系分析，展示了因果关系如何从一个模糊的概念发展成为一套数学理论，并广泛用于统计学、人工智能、经济学、哲学、认知科学、卫生科学和社会学等领域。本书提出了一个全面的因果关系理论，它统一了因果关系的概率、操作、反事实和结构方法，并提供了简单的数学工具来研究因果关系和统计关联之间的关系。本书通过融合领域知识、常识约束、文化传承的概念等来补充数据信息，为基于统计的机器学习中遇到的基本问题提供了科学的解决方案。

《深度学习与图像识别：原理与实践》 这是一部从技术原理、算法和工程实践3个维度系统讲解图像识别的著作，由阿里巴巴达摩院算法专家、阿里巴巴技术发展专家、阿里巴巴数据架构师联合撰写。 在知识点的选择上，本书广度和深度兼顾，既能让完全没有基础的读者迅速入门，又能让有基础的读者深入掌握图像识别的核心技术；在写作方式上，本书避开了复杂的数学公式及其推导，从问题的前因后果 、创造者的思考过程，利用简单的数学计算来做模型分析和讲解，通俗易懂。更重要的是，本书不仅仅是聚焦于技术，而是将重点放在了如何用技术解决实际的业务问题。 全书一共13章： 第1-2章主要介绍了图像识别的应用场景、工具和工作环境的搭建； 第3-6章详细讲解了图像分类算法、机器学习、神经网络、误差反向传播等图像识别的基础技术及其原理； 第7

（1） 本书内容全面，详细介绍了经典自动控制理论、状态空间控制理论、离散数字系统控制理论技术和非线性系统分析的基本知识。整本书结构清晰明了、内容丰富，融会贯通了由基本概念到实际应用的思想。本书浅显易懂，数学理论分析过程翔实， 读者只需要的微分方程、线性代数和拉普拉斯变换基础就可以理解其中的知识，可以作为大多数高校的教材。（2） 每章的结构安排清晰合理。每章的简介（Introduction）部分都提纲挈领地给出了章节的知识背景和控制要求，以及章节的主要内容结构分布。在每章的各个小节，作者首先详细介绍各种理论、技术，紧接着给出翔实的例子，避免了读者局限于抽象的理论。而每章末尾对关键的知识点及时地进行了小结，有助于加深读者对所学知识的了解，形成完整的知识理论体系。（3） 本书较早地引入了MATLAB的使用，并且在