本书基于流行的Python语言，本书从案例出发，展示各种工具的适用场景、关键用法和应用技巧。本书分成四大单元，包括Python语法精讲、数据预处理和可视化、机器学习、深度学习4个单元。涵盖了Python、Pandas、Matplotlib、Seaborn、Scikit-learn、TensorFlow、Keras等7种主流工具。

本书详细阐述了与移动设备机器学习相关的基本解决方案，主要包括面向移动设备的机器学习应用程序、监督学习和无监督学习算法、iOS上的随机森林、在Android中使用TensorFlow、在iOS中使用Core ML进行回归、ML Kit SDK、垃圾邮件检测、Fritz、移动设备上的神经网络、使用Google Cloud Vision的移动应用程序、移动应用程序上机器学习的未来等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。 本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。

本书在简要介绍人工智能发展历程、世界各国人工智能战略规划之后，重点围绕人工智能安全主题，提出人工智能安全体系架构，讨论了人工智能助力安全、人工智能内生安全、人工智能衍生安全等相关内容，并深入研究了人工智能安全伦理准则。本书还详细分析了人工智能行为体及其可能引发的安全问题，提出了人工智能保险箍的解决方案，并给出了人工智能行为体的安全评估与检测方法。本书最后还探讨了人工智能的前沿技术，以及人工智能安全的未来发展趋势。本书适合人工智能及安全领域的研究人员、管理人员以及广大爱好者阅读。

TensorFlow是2015年年底开源的一套深度学习框架，也是目前最活跃的深度学习框架之一。《TensorFlow深度学习及实践》从深度学习的基础讲起，深入TensorFlow的基本框架、原理、源代码和实现等各个方面，其目的在于降低学习门槛，为读者解决问题提供详细的方法和指导。《TensorFlow深度学习及实践》主要内容包括：人工智能简介，TesnorFlow的环境搭建、可视化、基础知识、聚类分析、回归分析、支持向量机，TensorFlow实现卷积神经网络、循环神经网络、深度神经网络等。 《TensorFlow深度学习及实践》适合作为对深度学习感兴趣的初学者的参考用书，也适合作为人工智能、计算机等相关专业深度学习课程的教材。

随着脑科学和认知神经科学的兴起与发展，以人类为中心的认知与智能活动研究，脑科学已经进入发展新阶段，而产品设计与人类认知和智能关系密切。随着脑科学的发展，研究者们开始关注更科学、更适合人类的产品设计。视觉研究是脑认知中不可或缺的一个重要组成部分，但是当前关于视觉的研究普遍地将视野局限在中心，对于周边视野的认知机制尚未完善。本书从人们对于不同刺激的形状、颜色等特征的相关，首先介绍了一套可以120°呈现图像刺激的、在功能核磁共振设备中应用的宽视野成像系统。此系统的研发使得关于人类视觉的研究更加接近客观世界，得出的结论也更具有指导意义。之后，利用这套成像设备进行在宽视野的条件下，人脑对不同种类刺激在不同偏心角度的认知偏好的研究。得出在宽视野的条件下，侧视觉皮质区域对不同的刺激种类具有偏心角度的偏好性的结论。探寻在宽视野的条件下，人脑在不同任务下的激活模式，为人类视觉认知研究、为设计学提供有力的数据支撑。

本书通过正在学习机器学习的程序员绫乃和她朋友美绪的对话，结合回归和分类的具体问题，逐步讲解了机器学习中实用的数学基础知识。其中，重点讲解了容易成为学习绊脚石的数学公式和符号。同时，还通过实际的Python 编程讲解了数学公式的应用，进而加深读者对相关数学知识的理解。

《机器学习中的基本算法》共八章.第1章和第2章简要介绍了机器学习的基本概念、研究内容、算法体系，以及相关的优化理论与优化算法.第3章和第4章详细介绍了几类作为分类器和回归器的支持向量机算法，包括算法出发点、建模思想、理论推导和算法在数据分类、识别、拟合、预测等方面的应用.第5章和第6章着重介绍了两类常用的数据预处理方法，一类是数据的特征提取方法，另一类是数据的聚类方法.第7章和第8章介绍了几类常用的神经网络算法和数据相关分析算法.　《机器学习中的基本算法》可用作数据科学与大数据技术、人工智能与云计算、计算机科学与应用、数学与应用数学等本科专业中机器学习课程的教材，也可用作相关或相近学科研究生的参考教材.

知识图谱作为当前人工智能的重要方向之一，不仅被实验室的研究者关注，更被各行各业的商业应用所关注。知识图谱是一个古老而又崭新的课题，是知识工程在新时代的新形态。智能离不开知识。知识始终是人工智能的核心之一。本书按照知识表示、知识库构建、知识推理和知识应用的基本脉络，全面介绍有关知识图谱的前沿技术。为便于理解和融会贯通，本书也对相关 NLP与机器学习的基本知识与知识图谱的经典传统方法进行了适当描述。本书既可作为人工智能领域研究人员的技术参考书，也可作为高等院校相关专业师生的教学参考书。

本书共11章，主要内容包括深度学习简介、Python基础、神经网络基础、卷积神经网络、经典卷积网络结构、迁移学习、循环神经网络、强化学习、深度强化学习、基于策略的算法更新与趋势等，通过具体案例，将Python语言、深度学习思想、强化学习思想和实际工程完美地结合起来。本书由浅入深，从易到难，各章节既相对独立又前后关联，其*大的特点就是打破了传统书籍的讲解方法，在介绍各部分理论基础的同时，搭配具体实例，通过对相关程序的详细讲解进一步加深对理论基础的理解。

第1章介绍了 PyTorch 进行深度学习的方法以及 PyTorch 的基本 API；第2章通过构建一个简单神经网络，演示如何将神经网络、优化器和参数更新联接在一起，构建简单深度学习模型；第3章深入探讨深度学习工作流实现以及帮助构建工作流的 PyTorch 生态系统；第4章介绍基于CNN的应用；第5章介绍主要RNN组件；第6章简要地论述了生成网络的历史，然后解释了不同种类的生成网络；第7章介绍了强化学习；第8章探讨不同的生产部署选项。