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。
《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。
人工智能（AI）技术造福了人类, 但是如果不恰当地开发和使用，反而会伤害人类和社会。针对AI技术的新特征和新挑战，本书系统提出并全面介绍 以人为中心人工智能 的理念、方法和应用。基于 以人为中心人工智能 的理念，本书系统提出 人智交互 (人 人工智能交互) 这一跨学科新领域，定义人智交互的研究对象、方法、关键问题、研究范式取向等。在详细阐述 以人为中心人工智能 新理念和人智交互新领域框架的基础上，本书从理论和方法、专题研究、行业应用三方面介绍近期的相关研究和应用，旨在推动国内相关研究和应用,进一步促进AI技术的安全有效发展,使其造福人类，并避免潜在的负面影响。 本书具有创新性、系统性、应用性、时效性等特点，属于人工智能、计算机科学、人机交互、人因工程、心理学和行为科学、设计、用户体验等跨学科领域融合的
9787115600820 动手学深度学习（PyTorch版） 109.80 9787115584519 动手学强化学习 89.90 9787115618207 动手学机器学习 89.80 《动手学深度学习（PyTorch版）》 本书是《动手学深度学习》的重磅升级版本，选用经典的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，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络 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
深度学习绝非不可窥探的黑箱!深入理解其模型和算法的实际运作机制，是驾驭并优化结果的关键。你无需成为数学专家或资深数据科学家,同样能够掌握深度学习系统内部的工作原理。本书旨在通过深入浅出的方式，为你揭示这些原理，让你在理解和解释自己的工作时更加自信与从容。 《深度学习精粹与PyTorch实践》以浅显易懂的方式揭示了深度学习算法的内部运作机制，即使是机器学习初学者也能轻松理解。本书通过平实的语言解析、详尽的代码注释,以及数十个基于PyTorch框架的实战示例，逐步引导你探索深度学习的核心概念与实用工具。本书避免了复杂的数学公式堆砌，而是采用直观易懂的方式阐述每种神经网络类型的运作逻辑。更令人兴奋的是，书中提供的所有解决方案均可在现有的GPU硬件上顺畅运行! 主要内容 ● 选择正确的深度学习组件 ● 训练和评估
[内容简介]《为机器立心》每每站在 命运的十字路口，我们总会听到来自历史的叩问。无论是“李约瑟难题”“钱学森之问”“杨振宁三问”，还是 的人工智能“中国之问”，都考验着我们 战略方向的确立和科学家的使命感。要交出一份满意的答卷，就要走出一条属于我们自己的路，一条底层逻辑自主可控的创新之路，走人工智能与人类价值观对齐的创新之路，走不随大流、坚信人工智能的“中国时代”必将到来的创新之路。 《为机器立心》的主题是迈向通用人工智能的中国路线，让AI不再缺“心”，点亮人工智能的“中国时刻”。在书中，朱松纯教授解答了什么是通用人工智能、如何认清智能的本质、如何为人工智能找到统一理论与认知架构，进而为机器立“心”等重要问题。全书共分为两大部分。 部分“厘清通用人工智能的3大关键迷思”：ChatGPT等大模型
穿戴式设备集人类与科技各种交互方式之大成，覆盖了广泛的研究和技术领域，甚至涉及一些看起来不相关的跨领域的知识。 有多少电子工程师会学习纺织知识？有多少行为学家了解传感器？这样的例子不胜枚举。基于此，本书从不同的领域出发，意在对穿戴式技术的各方面做一个全面的勾勒。 本书分成7大部分，涵盖了穿戴式技术的多个重点领域，虽不可能做到包含全部内容，但可以帮助读者尽可能学习掌握穿戴式设备。书中所有章节均由世界上相关领域的知名优秀专家撰写，分享了他们对该领域的独特见解。
9787115461476 深度学习 168.00 9787115600820 动手学深度学习（PyTorch版） 109.80 《深度学习》 《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*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*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*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（PyTorch版）》 本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有
本书主要介绍用于支持企业决策的分析、数据科学和人工智能技术。除了传统的决策支持应用外，本书还介绍了人工智能、机器学习、机器人技术、聊天机器人、物联网和互联网技术。 全书分为五部分，部分（第1~3章）概述分析与人工智能，第二部分（第4~7章）介绍预测性分析和机器学习，第三部分（第8和9章）深入研究规范性分析和大数据，第四部分（第10~13章）介绍机器人、社交网络、人工智能和物联网，第五部分（第14章）讨论分析与人工智能对安全、隐私和社会等方面的影响。 本书的读者对象包括数据分析、商务智能相关专业的学生和研究人员，以及商业分析、决策支持系统相关从业人员。
本书全面介绍贝叶斯推理与机器学习，涉及基本概念、理论推导和直观解释，涵盖各种实用的机器学习算法，包括朴素贝叶斯、高斯模型、马尔可夫模型、线性动态系统等。本书在介绍方法的同时，强调概率层面的理论支持，可帮助读者加强对机器学习本质的认识，尤其适合想要学习机器学习中的概率方法的读者。本书首先介绍概率论和图的基础概念，然后以图模型为切入点，用一种统一的框架讲解从基本推断到高阶算法的知识。本书不仅配有BRML工具箱，而且提供大量MATLAB代码实例，将概率模型与编程实践相结合，从而帮助读者更好地理解模型方法。
本书不仅梳理了人工智能技术在科学各领域中的广泛应用，还深入分析了其对科学生产力的推动作用，以及在伦理、法律和社会层面可能引发的讨论和问题。书中汇集了国际专家的研究成果，为读者提供了一个全面了解人工智能在科学研究中应用的窗口，展现了人工智能技术如何推动科学的创新与进步，并对未来的研究方向提出了深刻的见解。
学科的范式 (科学观与方法论 )是指导学科研究的最高引领力量。然而作者发现：作为信息学科高级篇章的人工智能却遵循着物质学科的范式，使人工智能的研究严重受限。因此，本书实施了人工智能的范式革命：总结了信息学科的范式，以此取代物质学科范式对人工智能研究的统领地位；在信息学科范式的引领下，构筑人工智能的全局模型，揭示普适性智能生成机制，开辟机制主义的人工智能研究路径，重构人工智能的基本概念；发掘信息转换与智能创生定律，创建机制主义通用人工智能理论。后者不但可以融通现行人工智能三大学派，而且可以与人类智能的生成机制实现完美的统一，形成统一智能理论。
本书从多学科交叉的角度将神经生物学在视觉神经机制、神经元信号加工与编码方面的解剖学与电生理学发现和认知心理学关于知觉信息加工、工作记忆等方面的实验结论,与人工智能中关于图像理解与人工神经元网络模型结合起来,设计能够模拟视网膜、初级视皮层和高级视皮层部分图像信息加工功能,以及模拟神经编码微回路的数据结构和层次网络计算模型,并用计算机视觉或图像理解领域常用的测试数据集来验证这些网络计算模型的效能。这些深入考虑了神经生物学基本机制与约束的计算模型,一方面能够在工程方面为图像理解或信息保持提供不同于传统方法的新解决方案,另一方面也为神经科学研究提供了探索神经信号加工内在机理的仿真平台。这些以信息加工神经生理机制和认知心理机制为基本出发点的计算建模研究为人工智能关于表征、神经计算新模型、基于
本书对所有重要的机器学习方法和新近研究趋势进行了深入探索，新版重写了关于神经网络和深度学习的章节，并扩展了关于贝叶斯学习的内容。书中首先讨论基础知识，包括均方、 小二乘和 似然方法，以及岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍较新的技术，包括稀疏建模方法、再生核希尔伯特空间和支持向量机中的学习、关注EM算法的贝叶斯推理及其变分近似推理、蒙特卡罗方法、关注贝叶斯网络的概率图模型、隐马尔可夫模型和粒子滤波。此外，书中还讨论了降维、隐变量建模、统计参数估计、维纳和卡尔曼滤波、凸优化等技术。本书适合该领域的科研人员和工程师阅读，也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。
本书详实介绍了数据挖掘与机器学习相关的各种内容，包括数据矩阵、图数据、核方法、项集挖掘、聚类、贝叶斯分类器、决策树、支持向量机、线性回归、逻辑回归、神经网络、深度学习等，介绍其相关概念和基础算法，并在每章的末尾配有相关练习。第二版新增了几个关于回归的章节，包括神经网络和深度学习的内容。
《PyTorch计算机视觉实战：目标检测、图像处理与深度学习》 深度学习是近年来计算机视觉应用在多个方面取得进步的驱动力。本书以实践为驱动，结合具体应用场景，基于真实数据集全面系统地介绍如何使用PyTorch解决50多个计算机视觉问题。 首先，你将学习使用NumPy和PyTorch从头开始构建神经网络（NN），并了解调整神经网络超参数的最佳实践。然后，你将学习如何使用卷积神经网络（CNN）和迁移学习完成图像分类任务，并理解其中的工作原理。随后，你将学习二维和三维多目标检测、图像分割、人体姿态估计等多个实际任务，并使用R-CNN、Fast R-CNN、Faster R-CNN、SSD、YOLO、U-Net、Mask R-CNN、Detectron2等框架实现这些任务。在自编码器和GAN部分，本书将指导你学习面部表情替换、面部图像生成和面部表情处理技术。之后，你将学习如何将计算机视觉与NLP技术（如LSTM、transfor
