本书在全面概述预训练语言模型演进过程并对BERTology模型详尽综述的基础上，将深度学习预训练模型理论和金融行业实践相结合，介绍了深度学习预训练模型在人工智能产业、金融行业、金融科技领域的实战项目案例，专注于金融文本情绪分类典型应用场景，揭示出特定领域预训练模型潜在的一般规律。全书共分7章，分别为： 预训练模型与金融文本情绪分类任务、预训练语言模型关键技术、面向中文金融文本情绪分类的预训练模型对比、FinWoBERT： 中文金融领域增强预训练模型、GANFinWoBERT： 对抗训练的中文金融预训练模型、FinWoBERT+ConvLSTM： 基于投资者情绪权重的科创50指数预测、总结与展望，每章内容随项目实践的深入层层递进、逐步展开。 本书适合自然语言处理、金融科技领域的研究人员和技术人员，高等学校或培训机构教师和学生以及有意了解相关领域的学习者和爱好者阅读。

主要内容 ● 将云端AI服务应用至现有平台 ● 设计和构建可扩展的数据管道 ● 调试和诊断AI服务 ● 快速掌握无服务器模板

本书较全面地阐述了人工神经网络的理论知识，介绍了多种经典的人工神经网络模型结构、学习算法和实际应用。本书共11章，第1章介绍人工神经网络的定义、发展、生理学机理、神经元模型、拓扑结构、学习算法等；第2章介绍感知机的基本原理、学习算法及应用；第3章介绍多层前馈神经网络的基本原理、学习算法及应用；第4章介绍不同正则化理论、相应神经网络及应用；第5章介绍不同极限学习机模型、支持向量机及应用；第6章介绍形态神经网络的模型结构、学习算法、鲁棒性分析及应用；第7章介绍自组织映射和核自组织映射的基本原理及应用；第8章介绍典型卷积神经网络的模型结构和基本原理，阐述卷积神经网络的变体及应用；第9章介绍基本的生成对抗网络、自注意生成对抗网络、进化生成对抗网络、迁移学习和对抗领域自适应等网络模型，阐述生成对抗网络的学习算法、训练技巧及应用；第10章介绍长短时记忆网络和递归神经网络的模型、学习算法及应用；第11章介绍模糊神经网络，包括模糊集合和模糊逻辑的基本概念和运算，模糊神经网络的模型结构、性能分析、学习算法及应用。本书可作为计算机科学与技术、软件工程、人工智能、智能科学与技术、生物医学工程等专业本科生和研究生的教材或参考书，也可供相关领域关注人工神经网络理论及应用的工程技术人员和科研人员学习参考。

人工智能技术的颠覆性、复杂性和社会关联性，特别是强人工智能的可能性，正在或将要给人类社会带来深刻的由内而外的变革，引发了诸多方面的伦理挑战和风险。本书以此为背景结合相关领域的研究进展，对人工智能技术的发展、人工智能伦理的渊源、人工智能伦理问题、人工智能伦理规范、人工智能职业道德等进行全面的梳理和介绍。全书共有9章内容：人工智能概述、伦理理论初步、人工智能伦理、人工智能风险、隐私泄露问题、偏见歧视问题、技术滥用问题、权责归属问题、伦理道德规范。 本书内容系统、结构新颖、案例丰富、阐述翔实，适合作为高等院校计算机类、人工智能类专业本科生、研究生的教材和教学参考书，也可作为高等学校各专业通识教育的教学用书。同时，本书可供相关领域的科研人员、工程技术人员和管理人员参考阅读。

文本语义向量化表示是指将自然语言编码为计算机可处理的、蕴含语义特征的向量的过程。在人工智能领域中，语义表示学习是实现机器理解自然语言的第一步，是机器处理文本数据和完成各种自然语言处理任务的基础，其性能的优劣直接影响下游任务的效果。因此，语义表示学习具有重要的研究意义和实用价值。本文梳理了文本语义向量化表示的基础理论，详细介绍了分布式表示方式、融合知识表示方法、任务导向的表示方法和预训练语言模型等典型方法，并以机器阅读理解任务为例，介绍了文本语义向量化表示在自然语言处理领域的实际应用。最后本文对文本语言向量化表示进行了总结和未来研究方向展望。

我们在与环境交互的过程中进行学习，经历的奖励或惩罚将指导我们未来的行为。深度强化学习将该过程引入人工智能领域，通过分析结果来寻找最有效的前进方式。DRL智能体可提升营销效果、预测股票涨跌，甚至击败**围棋高手和国际象棋大师。 《深度强化学习图解》呈现生动示例，指导你构建深度学习体系。Python代码包含详明、直观的注释，助你深刻理解DRL技术。你将学习算法的运行方式，并学会用评估性反馈来开发自己的DRL智能体。 本书主要内容包括： ●强化学习入门 ●行为与人类似的DRL智 能体 ●在复 杂情况下应用DRL

在大数据和智能社会不断发展的大背景下，如何培养人工智能应用型技术人才，日益成为社会各界关注的焦点。本书应此需求而作，系统分析了基于Python语言的自然语言处理相关基础理论、常用算法、基础技术以及实战实例应用。 本书内容紧密围绕自然语言处理，共可分为3篇（共12章）： 基础篇（第1～5章），重点介绍自然语言处理的基本概念、基本理论、常用算法以及基本技术，包括词处理、句法分析、文本向量化以及舆情分析和预测分析等； 过渡篇（第6章），重点分析深度学习的基本知识与基本理论，以及与自然语言处理的关系，同时通过实战实例介绍深度学习在自然语言处理领域的实际应用； 综合应用篇（第7～12章），基于各种智能应用开发技术和开发平台，介绍其在自然语言处理方面的实例，并具体讨论智能应用的部署方法和部署后的验证方法。全书各章提供了与本章主要内容配套的应用实例，每章后均附有复习习题。读者可以结合思维导图掌握教材的整体知识体系结构，参考附录的上机操作手册获得运行实例代码所需要的环境准备和环境设置相关知识。 本书可作为高等学校计算机类、人工智能类、商务类以及管理类专业的学生教材，也可供从事相关领域的专业技术开发人员和软件技术人员参考。

智能优化正在成为智能科学、信息科学、人工智能中最为活跃的研究方向，它在科研、工程、经济、管理、国防乃至民生诸多领域发挥着越来越大的作用，已经成为多种学科交叉融合研究的前沿课题。有关智能优化算法方面的书籍国内外已出版了多种，但其内容的广度还远落后于该领域的快速发展。为弥补这方面的不足，本书全面收集了国内外已提出的原创的智能优化算法和涌现计算150种。每种算法从算法提出、优化原理、数学描述、实现步骤及算法流程等方面加以介绍。全书视野开阔，取材全面而新颖，逻辑严谨，系统性强，撰写上由浅入深，深入浅出，启迪思维。本书可供人工智能、智能科学、计算机科学、信息科学、自动化、系统科学、管理科学等相关领域教师和研究生教学用书或参考书，亦可作为相关专业科研人员、工程技术人员学习参考。

计算机视觉有多先进？开一开特斯拉就知道了。深度学习技术已在人脸识别、交互式仿真和医学成像方面取得令人兴奋的突破，但最让人心潮澎湃的当属自动驾驶技术。如今，自动驾驶的汽车已经能在高速路上畅意驰骋并对各种复杂路况做出灵活反应了。计算机如何“理解”它所“看到”的东西？本书试图将深度学习应用于计算机视觉以回答该问题。本书仅用高中代数知识阐明视觉直觉背后的概念。你将了解如何使用深度学习架构来构建视觉系统应用程序，以实现图像生成和人脸识别功能。主要内容●图像分类和目标检测●先进的深度学习架构●迁移学习与生成对抗网络●DeepDream和神经风格迁移●视觉嵌入和图像搜索

《深度学习全书——公式+推导+代码+TensorFlow全程案例》共有15章，分为5部分，第一篇说明深度学习的概念，包括数理基础，特点是结合编程解题，加深读者印象，第二篇说明TensorFlow的学习地图，从张量、自动微分、梯度下降乃至神经层的实践，逐步解构神经网络，第三篇介绍CNN算法、影像应用、转移学习等，第四篇则进入自然语言处理及语音识别的领域，介绍RNN/BERT/Transformer算法、相关应用等，最后，介绍了强化学习的基础知识，包括马尔可夫决策过程、动态规划、蒙特卡洛、Q Learning算法，当然，还有相关案例实践。