这是一本综合介绍知识图谱构建与行业实践的著作，是作者多年从事知识图谱与认知智能应用落地经验的总结，得到了多位知识图谱资深专家的推荐。本书以通俗易懂的方式来讲解知识图谱相关的知识，尤其对从零开始构建知识图谱过程中需要经历的步骤，以及每个步骤需要考虑的问题都给予较为详细的解释。本书基于实际业务进行抽象，结合知识图谱的7个构建步骤，深入分析知识图谱技术应用以及8个行业综合案例的设计与实现。全书分为基础篇、构建篇、实践篇，共16章内容。基础篇（第1章），介绍知识图谱的定义、分类、发展阶段，以及构建方式、逻辑/技术架构、现状与应用场景等。构建篇（第2～8章），详细介绍知识抽取、知识表示、知识融合、知识存储、知识建模、知识推理、知识评估与运维等知识图谱构建的核心步骤，并结合实例讲解应用方法。实践篇（第9～16章），详细讲解知识图谱的综合应用，涵盖知识问答评测、知识图谱平台、智能搜索、图书推荐系统、开放领域知识问答、交通领域知识问答、汽车领域知识问答、金融领域推理决策。

这是一本讲解银行如何利用AI技术提升业务效能和用户体验的著作，也是一本指导银行如何通过AI技术实现数字化和智能化转型的著作。作者在银行业从事技术工作20余年，本书的经验和案例全部来自成功的、真实的业务实践。作者从实际业务场景出发，聚焦智能营销、智能风控、智能运营3大类业务，用11个项目案例为11种高频业务提供了被验证的AI技术解决方案。每个项目案例包括方案设计、技术理论、算法框架、代码实现、效果展示等模块，手把手教读者实现案例的全过程。同时，每个案例还提供数据模型和示例数据，读者可以直接在自己的业务中复用。每个案例均使用不同类型的AI技术来实现，涉及数据挖掘、计算机视觉、计算机听觉、自然语言处理等10余种技术，能给读者带来的具体业务价值如下：？用自动机器学习技术实现月活客户挖掘；？用图神经网络实现高价值客户识别；？用推荐系统技术实现业务的精准推荐；？用强化学习技术评估营销推文的价值；？用因果推断技术实现关联还款二元因果效应模型；？用智能语音问答技术实现方言电话催收机器人；？用多项机器学习技术实现电信欺诈洗钱账户的识别；？用图像理解技术实现重要业务或产品的视觉监控；？用贝叶斯网络技术实现个人贷款逾期预测；？用自动控制技术实现私域流量客户的冷启动；？用计算机视觉技术实现数据中心智能巡检机器人。

本书主要围绕着智能科学与技术的内涵展开，强调学科基础知识、主要研究方法、核心研究领域、若干热点问题以及前沿应用技术等，内容涉及智能哲学、智能科学、智能技术等诸多方面。整部教材主要包括学科基础、科学研究和技术应用三大部分。学科基础部分涉及学科概述、机器系统、算法运作等方面的内容。科学研究部分涉及环境感知、语言理解、意识整合、艺术创造、行为表现等方面的内容。技术应用部分则涉及人机交互、系统构建和智能社会等方面的内容。本书覆盖了智能科学与技术专业入门课程所必须掌握的核心知识，基础性、思想性和前沿性并重，起到读者进入这一新兴学科的启蒙作用。 \n本书可作为高等院校智能科学与技术专业本科生入门课程的教材，或者作为人工智能相关专业研究生课程的教材，也可以供相关技术人员学习参考。目前社会已经进入智能时代，凡希望了解智能社会*为基本的科学技术内容的读者，都可以读一读这部教材，定将受益匪浅。 \n

Angular有着广泛的应用。本书由浅入深、循序渐进地介绍Angular（不是Angular．js或称为AngularJS）的应用开发。 全书共包括16章，第1章Angular应用开发基础，第2章模板，第3章指令，第4章组件，第5章组件的组合、分解及其应用，第6章路由及其应用，第7章表单及其应用，第8章HTTP客户端服务及其应用，第9章国际化及其应用，第10章动画及其应用，第11章PWA、Service Worker、Web Worker，第12章测试及其应用，第13章高阶技术，第14章**实践，第15章综合案例，第16章整合开发。 本书适合作为Angular、Web前端、TypeScript的开发者和学习者（特别是在校学生）阅读和学习的参考书，也可以作为高等学校教材。

暂缺简介...

本书是《动手学深度学习》的重磅升级版本，选用PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。 本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出基础的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。 本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程知识及预备知识中描述的线性代数、微分和概率等基础知识。

本书从人工智能数学建模入手，全面介绍人工智能应用中涉及的数学基础知识，主要包括微积分学初步、线性代数、概率论与数理统计、最优化理论、随机过程、插值与回归，重点介绍基本概念、基本原理及计算，其中涉及的计算大部分由Python实现。同时，本书理论与实践相结合，结合具体案例，介绍如何运用这些数学基础知识来实现人工智能应用中的建模及求解。本书既可作为人工智能类专业教材，又可供其他专业学习数学基础知识，同时可作为广大科技工程人员进一步了解数学知识的参考教材。

本书将人工智能的基础知识进行了系统化的介绍，从传统的机器学习的基础知识、经典算法到深度学习的网络模型、应用领域都进行了相应的介绍。 本书共分10个项目。项目1～项目7主要内容有认识人工智能、Python基础、机器学习基础、特征工程及应用、经典算法的实现、神经网络的构建和训练、手写数字识别；项目8～项目10主要内容是综合案例的实施，包括人脸识别、商品情感分析、车牌识别。本书将知识点进行拆解细化，用可视化的形式帮助读者理解抽象的知识点，并配有丰富的代码，在反复实践中理解、升华，理论与实践相结合，助力读者锻炼编程思维和提升编程能力。

暂缺简介...

人工智能时代，数字数据的爆炸式增长推动了人们对使用机器学习（ML）的交易策略相关知识的需求。《机器学习在算法交易中的应用（第2版）》就以Python为基本工具，从全局、战略的视角介绍了相关的概念，以及机器学习在交易策略设计和执行中的价值及实践运用。全书分4部分，其中第1部分主要介绍基于机器学习的交易策略的基础知识，该部分内容围绕机器学习算法以及交易策略相关的数据展开，概述了如何有效捕获数据信号内容、如何准确提取特征，以及如何基于这些数据优化算法评估投资组合。第2部分重点阐述了在端到端工作流环境中，一些基本的监督学习、无监督学习是如何为交易策略的制定提供帮助的。第3部分是自然语言处理，这部分引入了无监督学习算法，力求从文本数据这种最关键的另类数据中高质量地提取信号。第4部分通过TensorFlow和PyTorch，重点介绍深度学习和强化学习在交易策略设计中的应用。 《机器学习在算法交易中的应用（第2版）》通过大量示例，详细介绍了如何使用不同机器学习算法设计交易策略，并通过大量的数学及统计知识，帮助读者更好地理解算法调优过程及整个计算过程。特别适合想获得用于交易的机器学习算法相关知识或想设计交易策略的数据分析师、数据科学家、Python开发人员、投资分析师或投资组合经理参考学习。