本书以云原生（Cloud Native）技术为背景，讲述了 Serverless 的基本原理与实战应用。书中首先探讨 Serverless 与当前云计算技术和前端技术的关系，随后分别从 Serverless 的两大能力（FaaS 和 BaaS）展开，探讨了它们的历史由来和底层原理，并且结合实际应用场景，有针对性地提供了操作指南。本书从手动构建一套基于进程的 FaaS 架构开始，之后深入剖析云计算服务的内核，阐述其背后的原理和思想，从而让读者理解下一代软件架构的本质。 本书主要从前端研发人员的视角介绍 Serverless 的原理及应用。相信无论是希望更多了解服务端技术的前端研发人员，还是已经涉足后端但希望更多了解云原生技术的全栈工程师，或是希望通过 Serverless 提升团队研发效率的架构师，都会从阅读本书中获益良多。

《基于免疫机理和神经网络的智能故障诊断方法》详细阐述了基于免疫机理和神经网络的两种智能故障诊断新方法，主要包括基于免疫网络模型的改进的故障诊断算法、与粗糙集理论相结合的免疫网络故障诊断算法、基于量子超球神经网络的故障检测方法和基于云神经网络的故障诊断方法等8种方法。《基于免疫机理和神经网络的智能故障诊断方法》思路清晰、内容丰富、安排合理，各章相对独立，有利于读者学习参考。《基于免疫机理和神经网络的智能故障诊断方法》在重点阐述思想方法的基础上，追求对工程实践的指导性，力求使读者在较短的时间内学习掌握这些智能故障诊断新方法，并能在实际工程中熟练应用。

本书利用精美的插图和有趣的类比，对深度学习的主流技术和背后的原理进行了深入浅出的讲解，解释了什么是深度学习，深度学习流行的原因，以及深度学习与其他机器学习方法的关系。阅读本书，读者可以掌握卷积神经网络、循环神经网络、生成式对抗网络和深度强化学习等热门技术，学习TensorFlow、Keras和PyTorch等热门工具的使用，同时能够更深刻地理解计算机视觉、自然语言处理和游戏等领域的人工智能应用。本书还提供了简单明了的示例和代码，能够帮助读者动手实践。本书适合人工智能、机器学习、深度学习等领域的开发人员、数据科学家、研究人员、分析师和学生阅读。

本书以深度学习相关理论为主要研究方法，通过对声呐获取的水下声信号信息数据和水下声呐成像的图像信息数据进行处理，探讨了基于堆叠式卷积稀疏降噪自编码器的水下异构信息数据降噪方法、基于多维特征的深度学习水下声信号目标分类识别方法、基于 CWGAN GP&DR的改进 CNN水下声呐图像分类方法和基于类意识领域自适应的水下声呐图像无监督分类方法，为充分利用海洋信息数据提供了重要的理论研究基础和技术实践经验。 本书内容翔实，自成一体，可作为计算机科学与技术、水声工程、智能科学与工程等领域研究的重要参考书，也可作为相关科学领域的研究参考。

·学习如何通过变分自动编码器改变图像中人物的面部表情。 ·学习如何构建GAN模型，包括风格迁移模型CycleGAN以及音乐生成模型MuseGAN。 ·学习如何通过循环生成模型来生成文本，以及如何利用注意力机制改善模型。 ·学习如何利用生成模型帮助智能体在强化学习环境中完成任务。 ·探索Transformer（BERT、GPT-2），以及ProGAN和StyleGAN等图像生成模型的架构。

本书教你使用TensorFlow.js构建强大的JavaScript深度学习应用程序。本书作者均是谷歌大脑团队的资深工程师，也是TensorFlow.js的核心开发人员。你将了解JavaScript与深度学习结合的独特优势，掌握客户端预测与分析、图像识别、监督学习、迁移学习、强化学习等核心概念，并动手在浏览器中实现计算机视觉和音频处理以及自然语言处理，构建并训练神经网络，利用客户端数据优化机器学习模型，开发基于浏览器的交互式游戏，同时为深度学习探索新的应用空间。你还可以获得深度学习模型构建过程中不同问题所涉及的策略和相关限制的实用知识，同时了解训练和部署这些模型的具体步骤以及重要的注意事项。

深度学习往往被视为数学博士和大型科技公司的专属领域。但正如这本实践指南所展示的那样，熟练使用Python的程序员只需很少的数学背景、少量的数据和最少的代码，就可以在深度学习方面取得令人印象深刻的成果。怎么样才能做到？使用fastai，这是**为最常用的深度学习应用提供一致接口的库。 本书作者Jeremy Howard和Sylvain Gugger是fastai的创建者，他们向你展示了如何使用fastai和PyTorch在各种任务上训练一个模型。你还将逐步深入了解深度学习理论，以便充分理解幕后的算法。 在计算机视觉、自然语言处理、表格型数据和协同过滤中训练模型； 学习在实践中至关重要的**深度学习技术； 通过了解深度学习模型的工作原理，提高准确性、速度和可靠性； 了解如何将你的模型转化为Web应用； 从头开始实现深度学习算法； 考虑你的工作所带来的道德影响； 从PyTorch联合创始人Soumith Chintala的前言中获得启示。

数据孤岛和隐私保护已经成为制约人工智能发展的关键因素。联邦学习作为一种新型的隐私 保护计算方案，在数据不出本地的前提下，能有效联合各参与方联合建模，从而实现“共同富裕”， 成为当下人工智能领域备受关注的热点。 本书以实战为主（包括对应用案例的深入讲解和代码分析），兼顾对理论知识的系统总结。 全书由五部分共19 章构成。第一部分简要介绍了联邦学习的理论知识；第二部分介绍如何使用 Python 和FATE 进行简单的联邦学习建模；第三部分是联邦学习的案例分析，筛选了经典案例进 行讲解，部分案例用Python 代码实现，部分案例采用FATE 实现；第四部分主要介绍和联邦学习 相关的高级知识点，包括联邦学习的架构和训练的加速方法等；第五部分是回顾与展望。 本书适合对联邦学习和隐私保护感兴趣的高校研究者、企业研发人员阅读。

创新工场于2017年发起了面向高校在校生的DeeCamp人工智能训练营（简称DeeCamp训练营），训练营内容涵盖学术界与产业界领军人物带来的全新AI知识体系和来自产业界的真实实践课题，旨在提升高校AI人才在行业应用中的实践能力，以及推进产学研深度结合。本书以近两年DeeCamp训练营培训内容为基础，精选部分导师的授课课程及有代表性的学员参赛项目，以文字形式再现训练营“知识课程+产业实战”的教学模式和内容。全书共分为9章，第1章、第2章分别介绍AI赋能时代的创业、AI的产品化和工程化挑战；第3章至第8章聚焦于AI理论与产业实践的结合，内容涵盖机器学习、自然语言处理、计算机视觉、深度学习模型的压缩与加速等；第9章介绍了 4 个优秀实践课题，涉及自然语言处理和计算机视觉两个方向。本书适合AI相关专业的高校在校生及AI行业的工程师使用，可作为他们了解AI产业和开拓视野的读物。

本书从传统机器学习，如线性回归、逻辑回归、朴素贝叶斯、支持向量机、集成学习，到最前沿的深度学习神经网络，如DNN、CNN、BERT、ResNet等，对人工智能技术进行零基础讲解，涵盖数学原理、公式推导、图表展示、企业应用案例。 本书面向初中级读者，能帮助读者迅速掌握机器学习技术的相关概念及原理。本书内容结合作者多年的科研工作经验，理论和实践并重，对科研、学习、面试等均有帮助。