《认知计算攻略使用Cognitive Services和TensorFlow》通过完整且真实的代码示例解决Al和机器学习问题。该书使用了一种从提出问题到给出解决方案的方式，以便通过提供诸如认知服务API、机器学习平台和库的工具组合来让日常开发人员都可以接触到深度学习和机器学习。《认知计算攻略使用Cognitive Services和TensorFlow》提供了同时期技术体系的概览，涵盖了机器学习和深度学习的业务用例。通过讲解诸如数字化助理、计算机视觉、文本分析、语音和机器人流程自动化的主题，提供一套全面的工其集以便让读者可以快速且容易地应用到自己的项目中。该书重点介绍的是Microsoft Cognitive Services的能力应用，讲解使用包括TensorFlow和CNTK在内的多种不同环境来实现的方案，以便让读者能够更宽泛地审视深度学习生态系统。

在《Python深度学习异常检测 使用Keras和PyTorch》这本通俗易懂的入门级指南的引导下，了解如何将深度学习应用于各种异常检测任务！《Python深度学习异常检测 使用Keras和PyTorch》浓墨重彩地描述如何利用Python中的Keras和PyTorch框架，将各种深度学习模型应用于半监督和无监督异常检测任务。《Python深度学习异常检测 使用Keras和PyTorch》开篇讨论异常检测的含义、用途和重要性。在介绍用Python的scikit-learn进行异常检测的统计和传统机器学习方法后，《Python深度学习异常检测 使用Keras和PyTorch》引入深度学习方法，详述如何在Keras和PyTorch中构建和训练深度学习模型，重点分析各类自动编码器、RBM、RNN、LSTM和TCN等深度学习模型在异常检测领域的应用。除了讲解基于时间序列的异常检测的基础知识外，《Python深度学习异常检测 使用Keras和PyTorch》还探索无监督和半监督异常检测的相关内容。学习《Python深度学习异常检测 使用Keras和PyTorch》后，你将全面了解异常检测的基本任务，掌握各种处理异常检测的方法（从传统方法到深度学习方法等）；还将了解scikit-learn的相关内容，能在Keras和PyTorch中创建深度学习模型。《Python深度学习异常检测 使用Keras和PyTorch》主要内容：了解异常检测的含义及其重要性熟悉利用scikit-learn进行异常检测的统计和传统机器学习方法借助Keras和PyTorch了解Python深度学习的基本知识掌握度量模型性能的基本数据科学概念：AUC、精确率和召回率等将深度学习应用于半监督和无监督异常检测

人工智能在制造业的主要应用方式之一是工业机器人。《人工智能的经济影响研究——以中国制造业工业机器人为例》以中国制造业工业机器人为例，分析在当前及未来，工业机器人的使用所产生的经济影响。首先从分析当前主要的工业机器人强国入手，找到我国未来可参考和借鉴的工业机器人产业及应用的发展方式，然后分析工业机器人与劳动力的相关关系。通过将两者结合，分析未来工业机器人不同发展模式对劳动力规模的影响。最后利用可计算一般均衡（CGE）模型，得到工业机器人不同发展模式下，我国的宏观经济及不同产业受到的影响，反映出人工智能在制造业的深层次应用对经济的推动作用。

本书共12 章，主要内容包括OpenCV 4 基础知识，OpenCV 的模块架构，图像存储容器，图像的读取与显示，视频加载与摄像头调用，图像变换，图像金字塔，图像直方图的绘制，图像的模板匹配，图像卷积，图像的边缘检测，腐蚀与膨胀，形状检测，图像分割，特征点检测与匹配，单目和双目视觉，光流法目标跟踪，以及OpenCV 在机器学习方面的应用等。 本书面向的读者是计算机视觉与图像处理等相关专业的高校师生、企业内转行计算机视觉与图像处理的工作人员、已有图像处理基础并想了解OpenCV 4 新特性的人员。

本书系统地介绍了语音识别的原理和应用，全书共分 15 章，原理部分涵盖声学特征、隐马尔可夫模型（HMM）、高斯混合模型（GMM）、深度神经网络（DNN）、语言模型和加权有限状态转换器（WFST），重点描述了 GMM-HMM、DNN-HMM 和端到端（E2E）三种语音识别框架。本书应用部分包含 Kaldi、Espnet、工业应用实践介绍，内容主要来自工程经验，极具实用性。 本书可以作为普通高等学校人工智能、计算机科学与技术、电子信息工程、自动化等专业的本科生及研究生教材，也适合作为从事智能语音系统的科研和工程技术人员的参考用书。

深度剖析OpenCV DNN模块的架构、原理与加速策略等； 重点介绍了 CPU/GPU加速原理与实现，诸如Intel GPU架构与参考实现，Vukan与OpenCL的加速实现； 详细讲解可视化工具与主流OpenCV深度学习应用，如支付级别人脸识别、图像分类、目标检测等。

深度学习是目前学术界和工业界都非常火热的话题，在许多行业有着成功应用。本书由Hulu的近30位算法研究员和算法工程师共同编写完成，专门针对深度学习领域，是《百面机器学习：算法工程师带你去面试》的延伸。全书内容大致分为两个部分，第一部分介绍经典的深度学习算法和模型，包括卷积神经网络、循环神经网络、图神经网络、生成模型、生成式对抗网络、强化学习、元学习、自动化机器学习等；第二部分介绍深度学习在一些领域的应用，包括计算机视觉、自然语言处理、推荐系统、计算广告、视频处理、计算机听觉、自动驾驶等。本书仍然采用知识点问答的形式来组织内容，每个问题都给出了难度级和相关知识点，以督促读者进行自我检查和主动思考。书中每个章节精心筛选了对应领域的不同方面、不同层次上的问题，相互搭配，展示深度学习的“百面”精彩，让不同读者都能找到合适的内容。本书适合相关专业的在校学生检查和加强对所学知识点的掌握程度，求职者快速复习和补充相关的深度学习知识，以及算法工程师作为工具书随时参阅。此外，非相关专业、但对人工智能或深度学习感兴趣的研究人员，也可以通过本书大致了解一些热门的人工智能应用、深度学习模型背后的核心算法及其思想。

2019世界人工智能大会以“智联世界 无限可能”为主题，于2019年8月29-31日在上海成功举办。来自世界各地的人工智能**科学家、企业家、投资家、开发者，以及关心人工智能发展的各界人士齐聚上海，围绕全球人工智能的技术演进、产业赋能、生态构建和社会影响等主题，提出了一系列重要思想观点，发布了一批前沿技术和创新产品，得到了业界和全社会的广泛关注，造就了一场具有国际影响力的行业盛会。本书以媒体视角，从“序曲”“开幕”“观点”“论坛及活动”“发布与展示”“闭幕”六大主题出发，多维度展示2019世界人工智能大会筹备举办全过程，呈现大会的精彩瞬间和丰富内容，揭示世界人工智能**发展态势，探讨未来智能世界的无限可能。

《深度学习笔记》作为一本以“笔记”命名的深度学习图书，主要定位是面向广大希望入门深度学习的初学者。本书以深度神经网络（DNN）、卷积神经网络（CNN）和循环神经网络（RNN）为核心，详细介绍了深度学习的理论基础、通用方法和三大网络的原理与实践。全书代码以Keras框架作为范例，对于初学者而言简单易懂。　对于深度学习而言，本书内容丰富，知识覆盖面广，兼有代码实战，适合想要入门深度学习的广大学习者阅读。

本书通过聚焦于开发基于神经网络的解决方案来介绍机器学习，首先将从熟悉构建深度学习解决方案所需的概念和技术开始，然后介绍如何创建分类器、构建目标检测和语义分割神经网络、训练生成式模型，以及使用TF 2.0的工具，如TensorFlow Datasets和TensorFlow Hub，加速开发过程。学完本书之后，读者将能够使用TF 2.0开发任何机器学习问题的解决方案，并能将它们部署到生产环境之中。