《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
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。
本书从模型的结构和数据基础两个方面解构大语言模型，以便帮助读者理解和搭建类似ChatGPT的系统。在模型的结构方面，大语言模型属于深度神经网络，其设计核心是注意力机制，因此，本书涵盖了多层感知器、卷积神经网络和循环神经网络等经典模型。在模型的数据基础方面，本书既涉及模型训练的工程基础，如反向传播，又涉及数据的使用方式，如迁移学习、强化学习，以及传统的监督学习和无监督学习。此外，本书还阐述了如何从计量经济学和经典机器学习模型中汲取灵感，以提高模型的稳定性和可解释性。 本书既适用于希望深入了解大语言模型、通过人工智能技术解决实际问题的读者，也适合作为高等院校计算机及相关专业的师生参考用书。
本书从基本概念和理论入手，通过近千张图和简单的例子由浅入深地讲解深度学习的相关知识，且不涉及复杂的数学内容。 本书分为上下两册。上册着重介绍深度学习的基础知识，旨在帮助读者建立扎实的知识储备，主要介绍随机性与基础统计学、训练与测试、过拟合与欠拟合、神经元、学习与推理、数据准备、分类器、集成算法、前馈网络、激活函数、反向传播等内容。下册介绍机器学习的 scikit-learn 库和深度学习的 Keras 库（这两种库均基于 Python 语言），以及卷积神经网络、循环神经网络、自编码器、强化学习、生成对抗网络等内容，还介绍了一些创造性应用，并给出了一些典型的数据集，以帮助读者更好地了解学习。 本书适合想要了解和使用深度学习的人阅读，也可作为深度学习教学培训领域的入门级参考用书。
本书从人工智能、机器学习和深度学习三者的关系开始，以深度学习在计算机视觉、自然语言处理和推荐系统的应用实践为主线，逐步剖析模型原理和代码实现。书中的内容深入浅出，通过原理与代码结合、产业实践和作业结合的方式，帮助读者更好地掌握深度学习的理论知识和深度学习开源框架的使用方法。为了让更多的读者从中受益，快速应对复杂多变的AI应用，书中还 介绍了各种模型资源和辅助工具，旨在帮助读者在人工智能的战场上和 AI大师 一样无往不利。 人工智能是一门跨学科的技术，本书既可作为深度学习的入门读物，又可作为人工智能或相关学科本科生和研究生的教材，还可供AI爱好者和从业者使用。
本书全面、深入地探讨了人工智能（AI）领域的理论和实践，以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中，真正做到理论和实践相结合。全书分7个部分，共28章，理论部分介绍了人工智能研究的主要理论和方法并追溯了两千多年前的相关思想，内容主要包括逻辑、概率和连续数学，感知、推理、学习和行动，公平、信任、社会公益和安全；实践部分完美地践行了 现代 理念，实际应用选择当下热度较高的微电子设备、机器人行星探测器、拥有几十亿用户的在线服务、AlphaZero、人形机器人、自动驾驶、人工智能辅助医疗等。本书适合作为高等院校人工智能相关专业本科生和研究生的教材，也可以作为相关领域专业人员的参考书。
本书是《动手学深度学习》的重磅升级版本，选用PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。 本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，部分介绍深度学习的基础知识和预备知识，并由线性模型引出基础的神经网络 多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。 本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程知识及预备知识中描述的线性代
本书从人工智能（AI）的发展历史讲起，介绍了目前非常热门的深度学习加速芯片和基于神经形态计算的类脑芯片的相关算法、架构、电路等，并介绍了近年来产业界和学术界一些著名的AI芯片，包括生成对抗网络芯片和深度强化学习芯片等。本书着重介绍了用创新的思维来设计AI芯片的各种计算范式，以及下一代AI芯片的几种范例，包括量子启发的AI芯片、进一步提升智能程度的AI芯片、有机自进化AI芯片、光子AI芯片及自供电AI芯片等。本书也介绍了半导体芯片技术在后摩尔定律时代的发展趋势，以及基础理论（如量子场论、信息论等）在引领AI芯片创新方面发挥的巨大作用。*后，本书介绍了AI发展的三个层次、现阶段AI芯片与生物大脑的差距及未来的发展方向。 本书可供AI和芯片领域的研究人员、工程技术人员，科技、产业决策和管理人员，创投从业者和相关专业
本书从基础知识开始，介绍深度学习与图神经网络相关的一系列技术与实现方法，主要内容包括PyTorch的使用、神经网络的原理、神经网络的基础模型、图神经网络的基础模型。书中侧重讲述与深度学习基础相关的网络模型和算法思想，以及图神经网络的原理，且针对这些知识点给出在PyTorch框架上的实现代码。 本书适合想学习图神经网络的技术人员、人工智能从业人员阅读，也适合作为大专院校相关专业的师生用书和培训班的教材。
知识图谱作为认知智能的核心技术正蓬勃发展。本书系统全面地介绍了知识图谱的核心技术，既有宏观整体的技术体系，也有关键技术和算法细节，内容包括：知识图谱模式设计的方法论 六韬法；知识图谱构建中的实体抽取和关系抽取；知识存储中的属性图模型及图数据库，重点介绍了JanusGraph分布式图数据库；知识计算中的图论基础，以及中心性、社区检测等经典图计算算法；知识推理中的逻辑推理、几何变换推理和深度学习推理，及其编程实例。后，本书以金融、医疗和智能制造三大行业的应用场景为例，梳理了知识图谱的应用价值和应用程序形态。 本书既适合人工智能行业从业者和研究人员系统学习知识图谱，也适合一线工程师和技术人员参考使用，并可作为企业管理人员、政府人员、政策制定人员、公共政策学者的参考材料，以及高等院校计算机、金融
本书分十大章节和三章附录章节，以现代体系结构特征为目标，从理论、方法及应用等不同角度，详细描述了各种提升程序并行性、数据局部性及适配目标架构特征的高级编译优化技术。本书还结合深度学习应用场景展开讨论，介绍了如何在深度学习框架中使用高级编译优化技术。
语音降噪处理是信号处理的重要分支领域。近年来，该领域在人工智能与深度学习技术的驱动下取得了突破性进展。本书系统总结语音降噪处理的深度学习方法，尽可能涵盖该方法的前沿进展。全书共分8章。第 1章是绪论；第 2章介绍深度学习的基础知识和常见的深度网络模型；第 3～6章集中介绍基于深度学习的语音降噪处理前端算法，其中，第 3章介绍语音检测，第4章介绍单通道语音增强，第5章介绍多通道语音增强，第6章介绍多说话人语音分离；第7章和第 8章分别介绍基于深度学习的语音降噪处理在声纹识别和语音识别方面的应用，其中着重介绍基于深度学习的现代声纹识别、语音识别基础和前沿进展。 本书专业性较强，主要面向具备一定语音信号处理和机器学习基础、致力于从事智能语音处理相关工作的高年级本科生、研究生和专业技术人员。
本书以HCIP-Security和HCIE-Security认证考试大纲为依托，介绍了防火墙和VPN的关键技术，包括安全策略、NAT、双机热备、虚拟系统、链路负载均衡、服务器负载均衡、L2TP VPN、IPSec VPN和SSL VPN。本书详细介绍了每一种技术的产生背景、技术实现原理、配置方法，旨在帮助读者掌握组建安全通信基础设施的技术和能力，顺利通过认证考试。 本书是学习和了解网络安全技术的实用指南，内容全面，通俗易懂，实用性强，适合网络规划工程师、网络技术支持工程师、网络管理员以及想了解网络安全技术的读者阅读。
本书介绍了经典人工智能（逻辑或演绎推理）和现代人工智能（归纳学习 经网络）之间的覆盖范围。分别阐述了三类方法： 演绎推理方法： 这些方法从预先定义的假设开始，并对其进行推理，以得出合乎逻辑的结论。底层方法包括搜索和基于逻辑的方法。这些方法在第 1 章到第 5 章中讨论。归纳学习方法：这些方法从例子开始，并使用统计方法来得出假设。示例包括回归建模、支持向量机、神经网络、强化学习、无监督学习和概率图形模型。这些方法在第 6 章到第 11 章中讨论。整合推理和学习：第 12 章和第 13 章讨论整合推理和学习的技术。例子包括知识图谱和神经符号人工智能的使用。
本书是一本区分统计数据挖掘和机器学习数据挖掘的图书。它创造性地汇编了数据挖掘技术，解决了对经典和现代统计方法框架的扩展，用于预测建模和大数据分析。SM-DM为数据挖掘领域新晋的数据科学家所面临的共同问题提供了适当的解决方案。它的展示侧重于数据科学家(通常被称为统计学家、数据采矿者和数据分析师)的需求，提供实用但又强大的、简单而又有洞察力的量化技术，其中大部分使用了新机器学习影响改进的 旧 统计方法。
《工业大数据分析算法实践》以工业大数据的特点和需求为牵引，阐述了工业大数据分析的算法与实现机制，使具有工科背景读者建立起数据思维，灵活利用数据分析算法进行实际问题的建模，并实现分析项目高效迭代与落地。具体主题覆盖了工业大数据分析工程思维和软件栈，工业数据的数据探索，预处理方法和常用机器学习算法，故障诊断、质量优化、流程优化的分析算法，专家规则驱动方法，以及工业数据分析工程等内容。 《工业大数据分析算法实践》分10章，可划分为四个部分。部分（第1章）是数据分析概览，目的是建立起数据分析算法的概念框架，并给出学习路线。第2~5章是第二部分，侧重在通用数据分析算法，包括数据预处理、机器学习、时序挖掘算法和*优化等其他算法。第三部分包括第6~8章，讨论了工业分析的算法思路，覆盖了生产质量分析（PQM
本书是一本介绍深度学习理论和实战应用的教程，先从数学基础和机器学习基础出发，按照神经网络的技术发展框架由易到难逐步讲解深度学习的理论，然后再通过实践部分，详细解释深度学习的应用案例，让读者既能了解深度学习理论，又能学会使用深度学习框架，实现自己的深度学习模型。主要内容包括深度学习的发展历史、单层感知器、线性神经网络、BP神经网络、深度学习算法卷积神经网络CNN和长短时记忆网络LSTM，以及深度学习算法在图像、自然语言处理和音频信号三个方面的实际应用。其中，案例实战部分使用的深度学习框架为Tensorflow 2/Keras。
本书由全球知名的3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。
本书理论与实践相结合，系统阐述强化学习的基础知识，以及如何动手编写智能体以执行一系列实际任务。通过阅读本书，读者将获得深层Q网络、策略梯度方法、连续控制问题以及高度可扩展的非梯度方法等主题领域的可行洞见，还将学会如何构建一个经过强化学习训练、价格低廉的真实硬件机器人，并通过一步步代码优化在短短30分钟的训练后解决Pong环境。此外，本书还专门介绍了强化学习的新发展，包括离散优化（解决魔方问题）、多智能体方法、Microsoft的TextWorld环境、高级探索技术等。
本书系统介绍了知识图谱的概念、发展历程、技术体系、前沿技术与应用实践。在基础知识方面，本书囊括了知识图谱从源数据到产生决策的全生命周期的各个环节，分析了数据图谱和知识图谱的核心区别，介绍了图谱构建和知识表示等相关关键技术。在前沿技术方面，全面介绍了知识图谱自动构建、知识图谱融合和智能推理等问题和挑战。在应用实践方面，结合营销智能国家新一代人工智能开放创新平台建设，介绍了知识图谱在信息检索、推荐系统、可视化、问答机器人等场景下的实际操作案例。
本书涵盖了经典和现代的深度学习模型。章节分为三类:第1部分为神经网络的基础。许多传统的机器学习模型可以理解为神经网络的特殊情况。前两章的重点是理解传统机器学习和神经网络之间的关系。支持向量机、线性/逻辑回归、奇异值分解、矩阵分解和推荐系统都是神经网络的特例。本书将这些方法与特征工程方法如word2vec一起进行了研究。第2部分是神经网络的基本原理。训练和正则化的详细讨论在第3章和第4章提供。第5章和第6章介绍了径向基函数(RBF)网络和受限的玻尔兹曼机。第3部分是神经网络的高级主题:第7章和第8章讨论了循环神经网络和卷积神经网络。第9章和第10章介绍了几个高级主题，如深度强化学习、神经图像机、Kohonen自组织映射和生成对抗网络。这本书是为研究生、研究人员和实践者编写的。大量的练习和一个解决方案手册，以帮助在课堂教学
人工智能是研究解释和模拟人类智能、智能行为及其规律的一门学科，建立智能信息处理理论，研制智能机器和智能系统，延伸和扩展人类智能。《BR》本书共16章。第1～6章讨论人工智能的认知问题和自动推理，论述逻辑基础、约束推理、定性推理、基于案例的推理、概率推理；第7～14章重点讨论机器学习和知识发现，包括归纳学习、支持向量机、解释学习、强化学习、无监督学习、关联规则、进化计算、知识发现；第15章阐述主体计算；第16章讨论互联网智能。与本书第二版相比，增加了两章新内容。其他章节也作了较大的修改和补充。
