本书介绍了人工智能概览、机器学习、深度学习、人工智能主流开发框架、华为全栈全场景AI战略—EI、 HiAI、昇腾，以及人工智能综合实验等内容？这是一本华为ICT学院人工智能课程培训的教材。本书是作者和华为的工作人员共同完成的，其间参阅了国内外现有教材和相关文献后编写的？全书注重理论与实践的结合， 注重算法与框架的实际应用与实现方法， 注重创新思维的训练与培养？本书既可作为高等院校人工智能课程的培训教材，也可作为自动化？电气工程及其自动化？计算机科学与技术？电子信息工程等专业学生“人工智能” 课程的本科生？研究生教材， 也可供从事人工智能研究与应用的科技工作者学习参考？

使用深度学习进行人脸识别是近年来AI研究的热点之一。该书使用TensorFlow 2.1作为深度学习的框架和工具，引导读者从搭建环境开始，逐步深入代码应用实践中，进而达到独立使用深度学习模型完成人脸识别的目的。《TensorFlow人脸识别实战（人工智能技术丛书）》分为10章，第1、2章介绍人脸识别的基础知识和发展路径；第3章从搭建环境开始，详细介绍Anaconda、Python、PyCharm、TensorFlow CPU版本和GPU版本的安装；第4-6章介绍TensorFlow基本和高级API的使用；第7章介绍使用原生API处理数据的方法和可视化训练过程；第8章是实战准备，介绍ResNet模型的实现和应用；第9、10章综合该书前面的知识，学习人脸识别模型与人脸检测这两个实战项目。《TensorFlow人脸识别实战（人工智能技术丛书）》内容详尽、示例丰富，是机器学习和深度学习初学者必备的参考书，同时也非常适合高等院校和培训机构人工智能及相关专业的师生教学参考。

《TensorFlow语音识别实战/人工智能技术丛书》使用新的TensorFlow2作为语音识别的基本框架，引导读者入门并掌握基于深度学习的语音识别基本理论、概念以及实现实际项目。《TensorFlow语音识别实战/人工智能技术丛书》内容循序渐进，从搭建环境开始，逐步深入理论、代码及应用实践，是语音识别技术图书的好选择。《TensorFlow语音识别实战/人工智能技术丛书》分为10章，内容包括语音识别概况与开发环境搭建、TensorFlow和Keras、深度学习的理论基础、卷积层与MNIST实战、TensorFlowDatasets和TensorBoard详解、ResNet模型、使用循环神经网络的语音识别实战、有趣的词嵌入实战、语音识别中的转换器实战、语音汉字转换实战。《TensorFlow语音识别实战/人工智能技术丛书》内容详尽、示例丰富，适合作为语音识别和深度学习初学者必备的参考书，同时非常适合作为高等院校和培训机构人工智能及相关专业师生的参考教材。

小型智能机器人制作全攻略 是小型智能机器人制作的资料宝典，通过实例讲解，告诉你制作机器人需要掌握的综合知识，内容翔实，通俗易懂。初学者可以边玩边学，了解小型智能机器人设计、制作和使用的技巧。有一定制作经验的爱好者也可以从本书中“淘”到不少好点子。本书已经是第5版了，在前4版的基础上做了大量更新了，增加了新的电机、传感器和模块的项目应用实例。这本书意在启发你使用不同的组件来构建机器人，你可以按自己喜欢的方式把书里介绍的模块化的项目加以组合，创建出各种形状和尺寸、高度智能化的机器人。

《分数阶控制器设计与实现方法研究》介绍了分数控制系统的基本研究现状及基本理论基础。系统阐述了分数阶系统近似理论、分数阶PID控制器设计方法及基于定量反馈理论的分数阶鲁棒控制器设计方法等内容。具体提出了一种基于PSO优化过程的兼顾幅值和相位的连续近似方法，基于多目标优化的分数阶PID控制器的设计方法，同时针对具有高度不确定性与干扰输入的系统，基于定量反馈理论（QFT），研究了分数阶QFT控制器的设计方法。《分数阶控制器设计与实现方法研究》在实践中将基于QFT的分数阶PTD控制器应用到水力发电系统中，提高了控制系统性能。《分数阶控制器设计与实现方法研究》可作为控制类应用型人才培养的本科院校研究生的控制理论、仿真建模等课程教学参考书，也可供相关专业的研究人员参考。

《机器学习设计模式（影印版）》中的设计模式针对机器学习中反复出现的问题给出实践和解决方案。作者为来自谷歌的三位工程师，他们整理了已证实的方法，帮助数据科学家解决整个机器学习过程中的常见问题。这些设计模式将数百位专家的经验转化成直接、易懂的建议。在这本书中，你会找到关于数据和问题表示、操作化、可重复性、可复现性、灵活性、可解释性和公平性的30种模式的详细解释。每个模式包括对问题的描述、各种可能的解决方案，以及针对你的情况选择技术的建议。你将学习：·识别和减轻在训练、评估以及部署机器学习模型时的常见挑战·为不同类型的机器学习模型表示数据，包括嵌入、特征交叉等·针对具体问题选择合适的模型类型·使用检查点、分发策略和超参数优化，建立一个鲁棒的训练循环·部署可扩展的机器学习系统，通过它你可以再训练和更新以反映新的数据·为用户解释模型的预测结果，确保模型公平地对待用户·提高模型的准确性、可复现性和弹性

自然语言处理被誉为“人工智能皇冠上的明珠”。深度学习等技术的引入为自然语言处理技术带来了一场革命，尤其是近年来出现的基于预训练模型的方法，已成为研究自然语言处理的新范式。本书在介绍自然语言处理、深度学习等基本概念的基础上，重点介绍新的基于预训练模型的自然语言处理技术。本书包括基础知识、预训练词向量和预训练模型三大部分：基础知识部分介绍自然语言处理和深度学习的基础知识和基本工具；预训练词向量部分介绍静态词向量和动态词向量的预训练方法及应用；预训练模型部分介绍几种典型的预训练语言模型及应用，以及预训练模型的新进展。除了理论知识，本书还有针对性地结合具体案例提供相应的PyTorch 代码实现，不仅能让读者对理论有更深刻的理解，还能快速地实现自然语言处理模型，达到理论和实践的统一。 本书既适合具有一定机器学习基础的高等院校学生、研究机构的研究者，以及希望深入研究自然语言处理算法的计算机工程师阅读，也适合对人工智能、深度学习和自然语言处理感兴趣的学生和希望进入人工智能应用领域的研究者参考。

如果你想从程序员转型为人工智能专家，这里是一个理想的起点。基于LaurenceMoroney极其成功的人工智能课程，这本入门书提供了一种面向实践、代码优先的方法，帮助你在学习关键主题的同时建立信心。你所需要的只是Python的使用经验，了解其处理数据和数组的写法。你将学习如何实现机器学习中非常常见的场景，包括计算机视觉、自然语言处理（NLP）以及用于Web、移动、云端、嵌入式运行时的序列建模。大多数与机器学习相关的书开篇就是令人生畏的高级数学知识。这本指南提供了实用的课程，你可以直接同代码打交道。通过使用代码示例了解机器学习的基础知识使用TensorFlow为各种场景建模使用仅包含一个神经元的神经网络建模实现包括图像特征检测在内的计算机视觉使用NLP标记和序列化单词与句子将你的模型嵌入安卓和iOS设备通过TensorFlowServing在Web和云端提供模型

《深度学习经典案例解析（基于MATLAB）》分为“基础篇”“应用篇”和“实战篇”。通过17个案例循序渐进地介绍了深度学习网络的构建、训练、应用，以及如何基于MATLAB快速生成可执行的C、C++代码并在硬件上部署实现，内容讲解由浅及深、层层递进。　《深度学习经典案例解析（基于MATLAB）》所讲解的案例均配有代码实现，并对代码进行了详细注解，读者可通过阅读代码对《深度学习经典案例解析（基于MATLAB）》讲解的内容进行更加深入的了解。　《深度学习经典案例解析（基于MATLAB）》适合对人工智能、深度学习技术感兴趣的工程技术人员阅读，也适合人工智能、计算机科学技术相关专业的本科生、研究生学习参考。

本书讲述了深度学习架构与实践，共分为两个部分，第1部分（即第1~6章）为基础理论，主要对深度学习的理论知识进行了详细的讲解；第2部分（即第7~12章）为应用实践，以具体的实际案例为场景，通过理论和实践相结合的讲解方式使读者能够对深度学习技术有更好的理解。本书可以为读者提供一条轻松、快速入门深度学习的路径，有侧重地阐明深度学习的经典知识和核心要点，从架构和实践两个方面，让读者对深度学习的系统架构和若干领域的应用实践有清晰和深入的掌握。本书适合计算机软件相关专业的高年级本科生或研究生，以及所有想要学习深度学习或从事计算机视觉算法开发的读者阅读。