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。

《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。

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

《深度学习之图像识别：核心算法与实战案例（全彩版）》全面介绍了深度学习在图像识别领域中的核心算法与应用。该书不但重视基础理论的讲解，而且从第4章开始，每章都提供了1～3个不同难度的案例供读者实践，读者可以在已有代码的基础上进行改进，从而加深对所学知识的理解。 《深度学习之图像识别：核心算法与实战案例（全彩版）》共9章：首先介绍深度学习的基础概念，包括神经网络基础知识和深度学习中的优化技术；然后系统介绍深度学习中与数据相关的知识，包括经典数据集的设计、数据集的增强，以及数据的获取、整理与可视化；接着重点针对图像识别领域，结合实战案例系统地介绍深度学习在图像分类、图像分割和目标检测3个领域的核心技术与应用；另外，还会对深度学习模型的可视化以及模型的压缩和优化进行详细介绍，为读者设计和训

《深度学习详解》 本书根据李宏毅老师 机器学习 公开课中与深度学习相关的内容编写而成，介绍了卷积神经网络、Transformer、生成模型、自监督学习（包括 BERT 和 GPT）等深度学习常见算法，并讲解了对抗攻击、领域自适应、强化学习、元学习、终身学习、网络压缩等深度学习相关的进阶算法. 在理论严谨的基础上，本书保留了公开课中大量生动有趣的例子，帮助读者从生活化的角度理解深度学习的概念、建模过程和核心算法细节. 《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

PyTorch深度学习指南 丛书循序渐进地详细讲解了与深度学习相关的重要概念、算法和模型，并着重展示了PyTorch是如何实现这些算法和模型的。其共分三卷：编程基础、计算机视觉、序列与自然语言处理。 本书为该套丛书的第一卷：编程基础。本书主要介绍了梯度下降和PyTorch的Autograd；训练循环、数据加载器、小批量和优化器；二元分类器、交叉熵损失和不平衡数据集；决策边界、评估指标和数据可分离性等内容。 本书适用于对深度学习感兴趣，并希望使用PyTorch实现深度学习的Python程序员阅读学习。 《PyTorch自动驾驶视觉感知算法实战》全面介绍了自动驾驶系统中深度学习视觉感知的相关知识，包括深度神经网络和深度卷积神经网络的基本理论，深入讲解了自动驾驶中常用的目标检测、语义、实例分割和单目深度估计四种视觉感知任务。 《PyTorch自动驾驶视觉感知

本书全面阐述了现代因果关系分析。它展示了因果关系是如何从一个模糊的概念发展成为一个数学理论，并在统计学、人工智能、经济学、哲学、认知科学、卫生和社会科学等领域有重要的应用。

本书以案例介绍的形式为主，从基础创新、产业落地、防疫抗疫、应用场景等多个方面展现上海人工智能发展情况。这是一份地区发展人工智能产业的 建议书 ，更是一份企业商业落地人工智能的 指导手册 。以下为节选《AI加速键：上海人工智能创新发展探索与实践案例集》的部分章节和内容。 家事国事天下事，五位一体读AI 近年来，全球 AI 领域技术不断取得突破性进展，产业热度不断提升，人工智能技术越来越深刻地与各行各业的融合渗透，并助力传统行业实现跨越式升级，成为驱动新一代产业革命的核心动力。我国的人工智能发展进入快车道，并加速向智能经济社会迈进。 家事国事天下事，报告从全球 广角 出发，层层 聚焦 ，深入解读了全球AI、中国AI、上海AI的发展概况，并从技术、政策、企业、投资、学术五大维度进行解读。 按下AI加速键，亮出

科学计算可视化（Scientific Visualization，SciVis）是计算机图形学的一个重要研究方向，是图形科学的新领域。随着计算能力的不断增强，科学数据中使用的物理模型以及模拟空间的大小都在不断提高。本书尝试性地将机器学习理论应用于科学计算可视化中，大大提高了数据中特征识别的鲁棒性和准确率，同时结合流场数据可视化技术的具体实现，详细阐述这两个领域结合的理论和存在的关键问题。本书内容主要包括：科学计算可视化的内容、技术现状和挑战，机器学习基本理论，使用Boosting和CAVIAR两种方法进行科学计算可视化的理论和方法等。本书可作为高等学校计算机或非计算机专业研究生科学计算可视化课程的参考书，也可作为从事流场数值模拟和流场可视化技术的研究或开发人员的参考书。

本书以较简明的方式介绍人工智能算法在数值求解复杂系统中的基本方法及 进展。首先从人工智能与机器学习的基础算法开始讲解，包括 基础的反向传播神经网络模型和一些经典的机器学习算法的基础及其原理。然后从一阶常微分方程初值问题引入，分别介绍常微分方程、偏微分方程以及积分微分方程数值求解的经典算法。随后分别研究反向传播神经网络、极限学习机算法、 小二乘支持向量机算法以及深度学习算法如何用于数值求解复杂系统中的微分方程。相较于经典的基于迭代算法的微分方程数值计算方法，这些基于人工智能与深度学习的计算方法可以 加高效且 加准确地得到复杂系统的数值解。 本书适合高等院校数学与应用数学、信息与计算科学、计算机科学等专业的教师、高年级本科生与研究生等阅读参考，也可以为在工业生产中需要求解实际复杂系统