这是一本基于Python和TensorFlow的全栈式的深度学习指南，基础和理论讲解全面，原理和拓展分析深入，应用和实践也极具实战性，是多位人工智能和大数据领域的专家多年经验的结晶。 全书一共24章，在结构上分为四大部分： 第一部分 TensorFlow基础 详细讲解了TensorFlow的数据处理基础以及它的各种常用功能。 第二部分 深度学习基础 这部分想想讲解了深度学习、机器学习、NLP、神经网络、目标检测、生成式对抗网络等深度学习技术。 第三部分 深度学习实践 通过人脸识别与检测、目标检测与识别、文本检测与识别、人机对话、文本生成、图像处理等方面的案例详细讲解了TensorFlow的用法。 第四部分 强化学习 详细讲解了强化学习的基础和算法。

本书较全面地阐述了人工神经网络的理论知识，介绍了多种经典的人工神经网络模型结构、学习算法和实际应用。本书共11章，第1章介绍人工神经网络的定义、发展、生理学机理、神经元模型、拓扑结构、学习算法等；第2章介绍感知机的基本原理、学习算法及应用；第3章介绍多层前馈神经网络的基本原理、学习算法及应用；第4章介绍不同正则化理论、相应神经网络及应用；第5章介绍不同极限学习机模型、支持向量机及应用；第6章介绍形态神经网络的模型结构、学习算法、鲁棒性分析及应用；第7章介绍自组织映射和核自组织映射的基本原理及应用；第8章介绍典型卷积神经网络的模型结构和基本原理，阐述卷积神经网络的变体及应用；第9章介绍基本的生成对抗网络、自注意生成对抗网络、进化生成对抗网络、迁移学习和对抗领域自适应等网络模型，阐述生成对抗网络的学习算法、训练技巧及应用；第10章介绍长短时记忆网络和递归神经网络的模型、学习算法及应用；第11章介绍模糊神经网络，包括模糊集合和模糊逻辑的基本概念和运算，模糊神经网络的模型结构、性能分析、学习算法及应用。本书可作为计算机科学与技术、软件工程、人工智能、智能科学与技术、生物医学工程等专业本科生和研究生的教材或参考书，也可供相关领域关注人工神经网络理论及应用的工程技术人员和科研人员学习参考。

“十四五”规划中，脑科学、认知科学、人工智能等相关领域研究被纳入科技前沿攻关领域，并计划实施一批具有前瞻性、战略性的相关国家重大科技项目。其中，脑与认知启发的人工智能研究既有利于突破人工智能前沿基础理论，又有助于类脑计算与脑机融合技术研发实现根本突破，是实现“十四五”规划目标的重要抓手。本书将围绕脑科学、认知科学与人工智能及其交叉领域，在纵向系统性地回顾领域发展历史和国内外主要趋势，在横向全面地梳理当前重点前沿理论、技术与应用，以及当前国际布局重点。脑与认知科学启发的人工智能新理论、新技术与新应用是当前国内外研究的前沿交叉领域，本书也将对这一领域进行探索，希望能对有兴趣的读者有所启发。

人工智能技术的颠覆性、复杂性和社会关联性，特别是强人工智能的可能性，正在或将要给人类社会带来深刻的由内而外的变革，引发了诸多方面的伦理挑战和风险。本书以此为背景结合相关领域的研究进展，对人工智能技术的发展、人工智能伦理的渊源、人工智能伦理问题、人工智能伦理规范、人工智能职业道德等进行全面的梳理和介绍。全书共有9章内容：人工智能概述、伦理理论初步、人工智能伦理、人工智能风险、隐私泄露问题、偏见歧视问题、技术滥用问题、权责归属问题、伦理道德规范。 本书内容系统、结构新颖、案例丰富、阐述翔实，适合作为高等院校计算机类、人工智能类专业本科生、研究生的教材和教学参考书，也可作为高等学校各专业通识教育的教学用书。同时，本书可供相关领域的科研人员、工程技术人员和管理人员参考阅读。

文本语义向量化表示是指将自然语言编码为计算机可处理的、蕴含语义特征的向量的过程。在人工智能领域中，语义表示学习是实现机器理解自然语言的第一步，是机器处理文本数据和完成各种自然语言处理任务的基础，其性能的优劣直接影响下游任务的效果。因此，语义表示学习具有重要的研究意义和实用价值。本文梳理了文本语义向量化表示的基础理论，详细介绍了分布式表示方式、融合知识表示方法、任务导向的表示方法和预训练语言模型等典型方法，并以机器阅读理解任务为例，介绍了文本语义向量化表示在自然语言处理领域的实际应用。最后本文对文本语言向量化表示进行了总结和未来研究方向展望。

带有人工智能功能的产品只要在国际上流通，就有可能带来安全与伦理方面的问题，为保证人工智能可持续健康发展，建立与人工智能有关的国际准则是世界各国不可回避的责任。本书共四章：第一章介绍人工智能发展带来的常规安全问题（可控、已经发生）与非常规安全问题（不可控，尚未发生）；第二章介绍人工智能发展带来的伦理问题（隐私保护、人机关系、公平正义、道德责任、伦理规范失效等）；第三章介绍国际与相关国家人工智能规则情况，主要围绕人工智能发展战略、原则规则、治理架构等方面；第四章介绍人工智能发展可能引发构建国际新秩序，呼吁国际社会共同制定相关国际准则，并重视构建人工智能评测平台体系。本书可作为大众了解人工智能技术和社会双重属性读物，亦可为相关政策制定参考。

本书以实际业务场景为例，介绍自然语言处理（NLP）系统开发项目的整个生命周期——从收集数据到部署和监控模型。读者将深入理解NLP系统的开发流程，知道如何消除开发痛点，从算法、数据等方面提高NLP系统的质量。全书分为四大部分，共有11章。第一部分概述NLP技术，为全书奠定知识基础。第二部分从实战角度讲解NLP系统的开发要点，内容涉及文本分类、信息提取等。第三部分专注于NLP重点应用的垂直领域：社交媒体、电子商务、医疗行业、金融业等，并辅以Python示例。第四部分将所有知识点融会贯通，并讲解如何利用所学知识部署NLP系统。

本书全面介绍优化理论，重点介绍设计工程系统的实用算法。

人工智能是人类首次将生物学习、分析、决策等能力赋予机器而创造的一种智能化技术。数据、算法、算力三元素的结合，使机器能够在极短时间内处理人类需要很长时间才能总结、归纳和推导出结论的各类任务，更重要的是，其不需要完全依赖人类的先验知识和专家设计。这无疑将人类探索自然、理解世界的方式引入了一个全新的界面。 本书名为《边界》，一方面希望体现人工智能是突破人类现有认知边界的颠覆性力量；另一方面意在传达人工智能作为一门\

There have been some interesting developments in machine learning over the past four years，since the lst edition of this book came out. One is the rise of Deep Belief Networks as an area of real research interest（and business interest， as large internet-based companies look to snap up every small company working in the area）， while another is the continuing work on statistical interpretations of machine learning algorithms. This second one is very good for the field as an area of research， but it does mean that computer science students， whose statistical background can be rather lacking， find it hard to get started in an area that they are sure should be of interest to them. The hope is that this book， focussing on the algorithms of machine learrung as it does， will help such students get a handle on the ideas，and that it will start them on a journey towards mastery of the relevant mathematics and statistics as well as the necessary programming and experimentation.In addition， the libraries available for the Python language have continued to develop，so that there are now many more facilities available for the programmer. This has enabled me to provide a simple implementation of the Support Vector Maclune that can be used for experiments， and to simplify the code in a few other places. All of the code that was used to create the examples in the book is available at http：//stephenmonika.net/（in the &Book' tab）， and use and experimentation with any of this code， as part of any study on machine learning， is strongly encouraged.