随着人工智能技术的发展，人类对智能化服务更加渴望，聊天机器人成为研发热门之一。《智能聊天机器人：核心技术与算法》从聊天机器人所涉及的多个方面出发，先理论后实践，让读者不仅能了解其中的原理，还能自己动手编程。《智能聊天机器人：核心技术与算法》共9章，第1章以该领域的背景知识作为开篇，重点介绍了聊天系统中的主要模块；第2章阐述了语音识别和隐马尔可夫模型；第3章侧重于通用的自然语言处理技术；第4章讲解如何使用信息检索技术，来实现问答型的聊天系统；第5章介绍一些主流的机器学习算法，以及如何使用这些算法来提升基于信息检索的问答系统；第6章介绍推荐系统相关的知识以及常见的推荐算法，并将其应用到问答系统中；第7章介绍如何使用深度学习来优化问答系统；第8章讲述了聊天系统的前沿领域——知识图谱；第9章讨论任务型和闲聊型聊天系统中更有挑战性的几个课题。《智能聊天机器人：核心技术与算法》可为高等院校计算机科学、信息科学、电子工程和人工智能等领域的科研人员提供参考，也可作为相关专业本科生和研究生教学的参考书，对于从事深度学习及其应用的开发人员同样具有参考价值。

《写给新手的深度学习——用Python学习神经网络和反向传播》一书以Python为基础，不借助TensorFlow、PyTorch等任何框架，以浅显易懂的语言，结合大量图示，对机器学习、深度学习、AI相关技术中的通用技能进行了解说。主要内容包括深度学习的概念，Python基础，深度学习必备数学知识，神经网络的结构及编程实现，反向传播算法原理，小型深度神经网络的构建，卷积神经网络CNN的原理及编程实现，最后一章对循环神经网络RNN、自然语言处理、强化学习等内容进行了简要介绍。通过本书，读者可以从根本上理解深度学习技术的本质和相关算法原理，能够构建简单的深度学习模型，特别适合作为零基础读者学习深度学习技术的入门书，也适合作为高校人工智能相关专业的教材和参考书。

本书共12章：第1章介绍机器学习的基本概念和理论，并介绍用于机器学习的R软件环境的准备；第2章介绍如何应用R来管理数据，进行数据的探索分析和数据可视化；第3～9章介绍典型的机器学习算法，包括k近邻分类算法、朴素贝叶斯算法、决策树和规则树、回归预测、黑盒算法——神经网络和支持向量机、关联分析、k均值聚类，并给出大量的实际案例和详细的分析步骤，例如乳腺癌的判断、垃圾短信的过滤、贷款违约的预测、毒蘑菇的判别、医疗费用的预测、建筑用混凝土强度的预测、光学字符的识别、超市购物篮关联分析以及市场细分等；第10章介绍模型性能评价的原理和方法；第11章给出提高模型性能的几种常用方法；第12章讨论用R进行机器学习时可能遇到的一些高级专题，如特殊形式的数据、大数据集的处理、并行计算和GPU计算等技术。

深度强化学习结合深度学习与强化学习算法各自的优势解决复杂的决策任务。得益于 DeepMind AlphaGo 和 OpenAI Five 成功的案例，深度强化学习受到大量的关注，相关技术广泛应用于不同的领域。本书分为三大部分，覆盖深度强化学习的全部内容。第一部分介绍深度学习和强化学习的入门知识、一些非常基础的深度强化学习算法及其实现细节，包括第 1～6 章。第二部分是一些精选的深度强化学习研究题目，这些内容对准备开展深度强化学习研究的读者非常有用，包括第 7～12 章。第三部分提供了丰富的应用案例，包括 AlphaZero、让机器人学习跑步等，包括第 13～17 章。本书是为计算机科学专业背景、希望从零开始学习深度强化学习并开展研究课题和实践项目的学生准备的。本书也适合没有很强的机器学习背景、但是希望快速学习深度强化学习并将其应用到具体产品中的软件工程师阅读。

演化学习利用演化算法求解机器学习中的复杂优化问题， 在实践中取得了许多成功， 但因其缺少坚实的理论基础， 在很长时期内未获得机器学习社区的广泛接受. 本书主要内容为三位作者在这个方向上过去二十年中主要工作的总结.全书共18 章， 分为四个部分： 第一部分（第1～2 章） 简要介绍演化学习和一些关于理论研究的预备知识; 第二部分（第3～6章） 介绍用于分析运行时间复杂度和逼近能力这两个演化学习的基本理论性质的通用工具; 第三部分（第7～12 章） 介绍演化学习关键因素对算法性能影响的一系列理论结果， 包括交叉算子、解的表示、非精确适应度评估、种群的影响等; 第四部分（第13～18 章） 介绍一系列基于理论结果启发的具有一定理论保障的演化学习算法.本书适合对演化学习感兴趣的研究人员、学生和实践者阅读. 书中第二部分内容或可为有兴趣进一步探索演化学习理论基础的读者提供分析工具， 第三部分内容或有助于读者进一步理解演化学习过程并为新算法设计提供启发， 第四部分内容或可为读者解决一些现实机器学习问题提供新的算法方案.

机器学习是设计与应用算法的科学，可从数据中进行学习和预测，其应用已经非常普遍。金融领域集中了大量的交易数据，为人工智能技术的运用奠定了良好的数据基础。本书面向金融领域的读者，介绍了机器学习技术的原理与实践。本书包括10章，介绍了神经网络算法、结构化数据的处理、计算机视觉处理技术、时间序列分析、自然语言处理、生成模型的应用、强化学习技术、数据建模与调试、贝叶斯推理和概率编程等内容。本书由资深金融从业者编写，融合了其在金融项目中关于机器学习的实践经验，适合金融领域的数据科学家、数据分析师、金融科技公司的技术研发人员以及对金融领域的机器学习技术感兴趣的读者阅读。

本书系统性地介绍了深度学习的原理、关键技术及相关应用，首先从基本概念、必备的线性代数、微积分、概率统计等数学知识等入手，这些预备知识可帮助读者更好地理解深度学习技术。接着对深度学习方法和技术进行了详细介绍，包括卷积神经网络、反馈神经网络、循环神经网络、生成对抗网络等，针对每个技术都力图用简单易懂的语言、详尽的公式推导说明和生动的图形展示知识点，并附上应用样例，便于读者将概念、原理、公式和应用融会贯通。本书还考虑到初学者尽快入门的需求，对深度学习开发工具和处理技巧进行了细致的梳理和总结。最后本书对深度学习应用前景、发展趋势、未来研究趋势等进行了分析，具有一定前瞻性。本书涵盖了大量深度学习的技术细节，适用于不同层次的读者。

智能制造是先进制造发展的z新形态，是企业实现转型升级的有力工具。为了更好地促进企业智能制造体系的推广和推进，作者撰写了这本书。本书分为三大部分：首先是智能制造的历史沿革，系统梳理了理论发展脉络，并对未来的理论趋势和z新的应用成果作了介绍；其次，对智能制造的前沿技术作了分析，包括智能产品/装备、大数据与制造智能、模型驱动的系统工程、数字化技术与制造执行系统；最后以汽车产业和国防工业为例，系统解析了智能制造模式的设计与实施，并深度解析了美欧推动机器学习技术在国防制造领域的应用。

本书以知识表示与处理所涉及的相关知识，如知识获取、知识表示、知识推理、知识迁移等内容为主体，完整呈现了知识表示与处理的知识体系。本书首先，介绍了知识表示与处理的发展、相关概念、流程等；其次，介绍了知识获取的内容；再次，重点介绍了知识表示的各种方法，如逻辑谓词、产生式规则、语义网络、本体、知识图谱等，以及知识推理所涉及的确定性知识推理和不确定性知识推理；最后，介绍了知识应用和知识迁移相关的内容。本书将免费提供配套PPT、实验及应用案例等基本教学材料。本书注重基础性、系统性和实用性，力求为学习知识表示与处理知识的读者提供一本基础的教材，同时为在其他学科应用知识表示与处理技术的读者提供一本深入浅出的参考书。本书适合作为人工智能、计算机科学与技术、自动化控制等相关专业的本科生和研究生的教材；部分内容也适用于高职高专学校的教学。

本书围绕模式识别的基本概念、基础理论和典型方法，从实际应用问题出发，系统描述了模式识别的常用方法和常见技巧，并给出了一系列实验及应用案例。本书首先介绍了机器视觉的概念及特征提取的概念和方法；其次介绍了线性分类模型、非线性分类模型、时间序列预测模型和混合模型等理论知识与实践操作；最后重点介绍了图像识别、视频目标检测与跟踪、语音识别、生物特征识别和医学图像检索等典型应用。