《人与机器听觉：听见声音的意义》由谷歌首席科学家Lyon撰写，是一部关于听觉研究的系统性学术著作。《人与机器听觉：听见声音的意义》中提出利用CARFAC模型模拟耳蜗对声音信号的分析，利用带有精细时序结构的SAI表征听觉神经模式，明确反对将耳蜗视作傅里叶频率分析器的做法。《人与机器听觉：听见声音的意义》内容系统且全面，涵盖人类听觉原理、机器听觉理论、精密听觉模型建模和机器听觉应用实例，还包括对听觉研究史上的标志性人物及事例的介绍。《人与机器听觉：听见声音的意义》对数学原理的阐释脉络清晰，并配有算法源码，适合相关领域的技术人员和研究人员参考，也适合作为高等院校相关研究生课程的教材。《人与机器听觉：听见声音的意义》构建了一套完整的听觉理论框架，具有鲜明的学术观点和创作特色：创造性地提出利用CARFAC模型模拟耳蜗对声音信号的分析，利用带有精细时序结构的SAI表征听觉神经模式，强调将听觉模型引入机器听觉应用，反对将耳蜗视作傅里叶频率分析器的做法。将听觉系统划分为四层，在底层听觉过程模拟的基础上探索高层信息处理机制并验证模型的有效性，为远近场模型等问题的解决以及CASA等技术的落地提供理论支撑，同时拓展了研究思路。全面涵盖人类听觉原理、机器听觉理论、精密听觉模型建模方法以及利用机器学习方法构建的应用实例，不仅对研究现状进行了系统梳理，而且穿插着对听觉研究史上标志性人物和事例的介绍。对听觉问题的阐释直击本质，对相关数学表述及推导过程的讲解尤为清晰明了，无须复杂的专业知识也能逐步理解。此外，所有听觉处理算法均配有可免费下载的源代码，便于读者实践。

本书源于阿里巴巴千亿级知识图谱构建与产业化应用的工作总结，对知识图谱理论和大规模工业实践进行了全面和深入的阐述。本书以阿里巴巴的实战经验为中心，以深厚的理论成果为支撑，详细阐述了知识图谱的方方面面。首先介绍工业场景下知识图谱的现状、存在的问题和架构设计；然后从知识表示、知识融合、知识获取、知识推理、知识存储和知识图谱前沿方向等方面入手，介绍大规模商品知识图谱的构建方法；最后结合阿里巴巴的业务实践，详细介绍知识图谱的产品设计、技术实现和业务应用细节。通过阅读本书，读者不仅可以从零开始认识知识图谱，了解知识图谱技术方法和前沿技术方向，而且可以熟悉知识图谱工业实践的实现路径，清楚知识图谱的应用方向和方法。本书介绍的成果获得钱伟长中文信息处理科学技术一等奖。本书在知识图谱的广度和深度上兼具极强的参考性，适合人工智能相关行业的管理者和研发人员、高等院校的计算机专业学生阅读。

《深度强化学习实践（原书第2版）》包括新的强化学习工具和技术，介绍了强化学习的基础知识，以及如何动手编写智能体以执行一系列实际任务。《深度强化学习实践（原书第2版）》较上一版新增6章，专门介绍了强化学习的新发展，包括离散优化（解决魔方问题）、多智能体方法、Microsoft的TextWorld环境、高级探索技术等。学完《深度强化学习实践（原书第2版）》，你将对这个新兴领域的前沿技术有深刻的理解。此外，你将获得对深度Q-network、策略梯度方法、连续控制问题以及高度可扩展的非梯度方法等领域的可行洞见，还将学会如何构建经过强化学习训练、价格低廉的真实硬件机器人，并通过逐步代码优化在短短30分钟的训练后解决Pong环境问题。简而言之，《深度强化学习实践（原书第2版）》将帮助你探索强化学习中令人兴奋的复杂主题，让你通过实例获得经验和知识。通过阅读《深度强化学习实践（原书第2版）》，你将：了解强化学习的深度学习上下文并实现复杂的深度学习模型。学会评估强化学习的方法，包括交叉熵、DQN、actor-critic、TRPO、PPO、DDPG、D4PG等。学会构建经过强化学习方法训练的、价格低廉的硬件机器人。研究Microsoft的TextWorld环境，这是一个文字冒险游戏平台。学会在强化学习中使用离散优化来解决魔方问题。学会教你的智能体使用AlphaGo Zero玩四子连横棋。探索有关AI聊天机器人等主题的较新深度强化学习技术。研究先进的探索技术，包括噪声网络和网络蒸馏技术。

本书讲述了深度学习架构与实践，共分为两个部分，第1部分（即第1~6章）为基础理论，主要对深度学习的理论知识进行了详细的讲解；第2部分（即第7~12章）为应用实践，以具体的实际案例为场景，通过理论和实践相结合的讲解方式使读者能够对深度学习技术有更好的理解。本书可以为读者提供一条轻松、快速入门深度学习的路径，有侧重地阐明深度学习的经典知识和核心要点，从架构和实践两个方面，让读者对深度学习的系统架构和若干领域的应用实践有清晰和深入的掌握。本书适合计算机软件相关专业的高年级本科生或研究生，以及所有想要学习深度学习或从事计算机视觉算法开发的读者阅读。

演化学习利用演化算法求解机器学习中的复杂优化问题， 在实践中取得了许多成功， 但因其缺少坚实的理论基础， 在很长时期内未获得机器学习社区的广泛接受. 本书主要内容为三位作者在这个方向上过去二十年中主要工作的总结.全书共18 章， 分为四个部分： 第一部分（第1～2 章） 简要介绍演化学习和一些关于理论研究的预备知识; 第二部分（第3～6章） 介绍用于分析运行时间复杂度和逼近能力这两个演化学习的基本理论性质的通用工具; 第三部分（第7～12 章） 介绍演化学习关键因素对算法性能影响的一系列理论结果， 包括交叉算子、解的表示、非精确适应度评估、种群的影响等; 第四部分（第13～18 章） 介绍一系列基于理论结果启发的具有一定理论保障的演化学习算法.本书适合对演化学习感兴趣的研究人员、学生和实践者阅读. 书中第二部分内容或可为有兴趣进一步探索演化学习理论基础的读者提供分析工具， 第三部分内容或有助于读者进一步理解演化学习过程并为新算法设计提供启发， 第四部分内容或可为读者解决一些现实机器学习问题提供新的算法方案.

科技能解决我们所有的问题吗？尽管有相反的证据，但许多经济学家、专家和新闻记者似乎都这样认为。据他们说，智能机器和大数据不仅把我们从繁复的工作中解脱出来，还教育我们的孩子，改变我们的环境，甚至使宗教信仰变得更加人性化。这就是他们想要告诉我们的――我们应该放下焦虑同时接纳属于我们的机器人时代。但是，你一遍又一遍的讲故事并不会使它变成真的。Curtis White作为最聪明和敏锐的社会评论家之一，他知道如何创作一个充满诱惑力的故事。在《We，Robots》中，他与一群所谓的思想家纠缠在一起，因为他们相信未来是美好的，而机器人是可以进化的。 Curtis White有着渊博的学识和智慧，他认为，我们必须对那些试图在技术上不可避免地推销我们的人表示怀疑。

《机器学习设计模式（影印版）》中的设计模式针对机器学习中反复出现的问题给出实践和解决方案。作者为来自谷歌的三位工程师，他们整理了已证实的方法，帮助数据科学家解决整个机器学习过程中的常见问题。这些设计模式将数百位专家的经验转化成直接、易懂的建议。在这本书中，你会找到关于数据和问题表示、操作化、可重复性、可复现性、灵活性、可解释性和公平性的30种模式的详细解释。每个模式包括对问题的描述、各种可能的解决方案，以及针对你的情况选择技术的建议。你将学习：·识别和减轻在训练、评估以及部署机器学习模型时的常见挑战·为不同类型的机器学习模型表示数据，包括嵌入、特征交叉等·针对具体问题选择合适的模型类型·使用检查点、分发策略和超参数优化，建立一个鲁棒的训练循环·部署可扩展的机器学习系统，通过它你可以再训练和更新以反映新的数据·为用户解释模型的预测结果，确保模型公平地对待用户·提高模型的准确性、可复现性和弹性

自然语言处理被誉为“人工智能皇冠上的明珠”。深度学习等技术的引入为自然语言处理技术带来了一场革命，尤其是近年来出现的基于预训练模型的方法，已成为研究自然语言处理的新范式。本书在介绍自然语言处理、深度学习等基本概念的基础上，重点介绍新的基于预训练模型的自然语言处理技术。本书包括基础知识、预训练词向量和预训练模型三大部分：基础知识部分介绍自然语言处理和深度学习的基础知识和基本工具；预训练词向量部分介绍静态词向量和动态词向量的预训练方法及应用；预训练模型部分介绍几种典型的预训练语言模型及应用，以及预训练模型的新进展。除了理论知识，本书还有针对性地结合具体案例提供相应的PyTorch 代码实现，不仅能让读者对理论有更深刻的理解，还能快速地实现自然语言处理模型，达到理论和实践的统一。 本书既适合具有一定机器学习基础的高等院校学生、研究机构的研究者，以及希望深入研究自然语言处理算法的计算机工程师阅读，也适合对人工智能、深度学习和自然语言处理感兴趣的学生和希望进入人工智能应用领域的研究者参考。

本书从人工智能系统平台环境部署为主线讲解了人工智能的概念以及人工智能平台环境的部署，主要涉及Linux系统安装、GPU环境配置、Python环境配置、人工智能基础概念、Hadoop环境部署、数据库部署、Docker部署、集群的部署和维护等知识。全书知识点的讲解由浅入深，使每一位读者都能有所收获，也保持了整本书的知识深度。本书主要涉及八个项目，即基础环境搭建、人工智能平台知识基础、分布式计算原理及Hadoop部署、数据库基础知识、容器知识基础、容器管理工具及Kubernetes部署、人工智能平台实施、人工智能平台监控与维护，严格按照生产环境中的操作流程对知识体系进行编排。使用循序渐进的方式从Linux系统安装、GPU配置一直到相关服务的部署等知识进行讲解。

在人工智能浪潮的大背景之下，机器视觉的应用已经覆盖各个行业。机器视觉及其应用研究的主要目的是，让计算机实时处理传感器感知的信息，用图像和图像序列来识别和认知三维世界，最终让机器人或机器具有“视觉”功能，以满足社会对机器的智能化需求。《机器视觉与应用》以应用为导向，从机器视觉的硬件构建、算法实现及应用案例研究这3个层次，系统地介绍机器视觉的基本知识，以及图像处理、模式识别和机器视觉应用问题的一般求解方法。该书理论与实际相结合，分享了机器视觉在物体识别和测量、实时3D环境建模以及机器人的视觉伺服应用等方面的解决方案。《机器视觉与应用》可作为工程领域非电类专业的大学高年级学生和研究生的教材或自学资料，也可供从事先进制造、智能控制研究与应用的科技人员及管理人员学习。