《机器学习与人工智能：从理论到实践》理论与实践相结合，全面介绍了人工智能和机器学习。《机器学习与人工智能：从理论到实践》分为六部分。首部分介绍了人工智能和机器学习在现代背景下的概念以及它们的起源和现状，并讨论了使用这些概念的各种场景和数据的理解、表示与可视化。第二部分介绍了机器学习的各种方法及新兴趋势。第三部分介绍了使用算法构建端到端机器学习管道。第四部分重点介绍机器学习模型的实现，以开发人工智能应用。第五部分介绍了解决现实机器学习问题的一些实现策略。第六部分是《机器学习与人工智能：从理论到实践》总结和下一步工作。《机器学习与人工智能：从理论到实践》适合机器学习与人工智能相关专业研究生和高年级本科生以及研究人员和专业人员阅读。书中尽可能少地使用数学，这使得主题更直观、更容易理解。全面介绍了人工智能和机器学习技术的理论和应用。为人工智能和机器学习提供了直观、易懂的学习指南，较少使用数学。结合应用介绍所有机器学习和人工智能技术及实现。

1956年，达特茅斯会议的召开及“人工智能”概念的首次提出，标志着人 工智能的诞生。之后10余年，人工智能迎来了发展史上的第一个小高峰，相继 取得了如工业机器人和聊天机器人等一批令人瞩目的研究成果。但由于计算机 有限的内存和处理性能不足以解决实际的人工智能问题，整个人工智能领域都 遭遇了“瓶颈”，人工智能发展进入了消沉期。1980年，第一届机器学习国际 研讨会在卡内基梅隆大学召开，标志着机器学习在全世界的兴起。随后出现的 神经网络反向传播算法，更是加速了神经网络的研究进程，各种专家系统被人 们广泛应用。但随着专家系统的应用领域越来越广，问题也逐渐暴露出来，专 家系统应用有限，且经常在常识性问题上出错，人工智能迎来了第二个寒冬。 1997年，IBM的超级计算机 “深蓝”战胜了当时的国际象棋世界冠军，成为 人工智能史上的一个重要里程碑，人工智能开始了平稳向上的发展。以2006年 加拿大多伦多大学Geoffrey Hinton教授提出深度学习神经网络为标志，人工 智能进入了新的快速发展阶段。 在新时期的人工智能发展中，数据、算法、算力并称为推动人工智能发展 的三驾马车：其中数据是人工智能发展的基础，为人工智能发展提供了源源不 断的数据资源；算法是人工智能发展的内在推动力，为人工智能带来了相应的 实现手段；算力是人工智能发展的平台，为人工智能技术的实现提供了坚实保障。 数据、算法、算力共同推动人工智能不断向前发展，缺一不可。 本书从人工智能的定义入手，阐述了人工智能的概念、发展历程、研究目标、 应用场景及人工智能带来的机遇和挑战。从第二章开始详细阐述人工智能发展 的核心要素：大数据、云计算和深度学习，论证了这三大要素对人工智能发展 的影响。通过阅读本书，读者不仅能够学习人工智能涉及的各方面知识，而且 能够深入学习人工智能的关键技术。我们也希望读者通过阅读本书，能够将人 工智能技术和实际应用场景结合起来，实现人工智能的落地应用，共同创建一 个智能的时代。

本书首先从人工智能的定义讲起，就人工智能的早期历史、思维和智能的内涵、新千年人工智能的发展进行了简要论述。第二部分详细讲述了人工智能中的知识表示、机器学习、神经网络与深度学习、智能语音技术、计算机视觉、自然语言处理和知识图谱技术等基础知识，并通过人工智能在医疗、交通、生活、金融、零售、安防中的经典的成功应用案例让读者更好的了解人工智能技术的发展和我们生活的关切度。最后对人工智能的未来进行了展望，提出人工智能背景时代下大学生就业和创业前景和机遇，帮助大学生应对人工智能背景下的职业规划。形成一个融理论教学、科学训练、创新实践为一体的过程化的人工智能课程体系和协同培养机制，使所培养的人才在基础知识、专业知识、实践能力、创新能力、伦理道德以及科学与职业素质等方面得到全面均衡的发展。

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。

《AI源码解读：循环神经网络（RNN）深度学习案例（Python版）》以人工智能发展为时代背景，通过20个实际案例应用机器学习模型和算法，为工程技术人员提供较为详细的实战方案，以便深度学习。在编排方式上，全书侧重对创新项目的过程进行介绍。分别从整体设计、系统流程、实现模块等角度论述数据处理、模型训练及模型应用，并剖析模块的功能、使用和程序代码。为便于读者高效学习，快速掌握人工智能开发方法，本书配套提供项目设计工程文档、程序代码、实现过程中出现的问题并给予解决方法，可供读者举一反三，二次开发。本书从系统设计、代码实现以及运行结果展示相结合，语言简洁，深入浅出，通俗易懂，不仅适合对Python编程有兴趣的爱好者，而且可作为高等院校参考教材，还可作为从事智能应用创新开发专业人员的技术用书。

本书基于Python语言，结合实际的数据集，介绍如何使用机器学习与深度学习算法，对数据进行实战分析。本书在内容上循序渐进，先介绍了Python的基础内容，以及如何利用Python中的第三方库对数据进行预处理和探索可视化的相关操作，然后结合实际数据集，分章节介绍了机器学习与深度学习的相关算法应用。本书为读者提供了源程序和使用的数据集，方便读者在阅读时同步运行程序，在增强学习效果的同时为读者节省了编写程序的时间。源程序使用Notebook的形式进行组织，每个小节注释清晰，讲解透彻。同时为程序配备了相应的视频讲解，辅助读者对程序能很好地理解和消化。本书在简明扼要地介绍算法原理的同时，更加注重实战应用和对结果的解读。

本书从理论到实践，循序渐进地介绍人工智能算法的基础知识，帮助读者敲开人工智能算法之门。本书共有8 章，分别为算法入门、算法之内力、算法之招式、算法之****、算法工程的组成部分、算法工程实战、进阶学习、思考与展望。本书主要讲解算法的历史背景与基本概念、与算法相关的数学基础知识、信息学算法与数据结构的概念与知识点、业界常用的几类机器学习算法模型；本书还会介绍算法工程比较完整的组成部分，以及一个典型的算法工程项目，手把手带领读者体验算法的魅力；此外，本书会介绍人工智能算法的三大研究方向，帮读者迈向进阶学习之路。本书适合从事人工智能应用实践的科研人员和工程技术人员阅读，也适合高等院校计算机科学与技术、人工智能、大数据等相关专业的本科生和研究生阅读。

《Python数据分析与可视化（第2版）-微课视频版/大数据与人工智能技术丛书》从Python数据分析的基础知识人手，结合大量的数据分析示例，系统地介绍数据分析与可视化方法，带领读者逐步掌握Python数据分析的相关知识，提高解决实际问题的能力。《Python数据分析与可视化（第2版）-微课视频版/大数据与人工智能技术丛书》共13章，主要内容包括数据分析与可视化概述、Python编程基础、NumPy数值计算基础、Pandas统计分析基础、Pandas数据载人与预处理、Matplotlib数据可视化基础、Seaborn可视化、pyecharts可视化、时间序列数据分析、SciPy科学计算、统计与机器学习、图像数据分析和综合案例实战等。《Python数据分析与可视化（第2版）-微课视频版/大数据与人工智能技术丛书》可作为高等院校数据科学与大数据、软件工程和计算机科学与技术等专业的教材，也可作为Python数据分析初学者和爱好者的参考书。

如果你想从程序员转型为人工智能专家，这里是一个理想的起点。基于LaurenceMoroney极其成功的人工智能课程，这本入门书提供了一种面向实践、代码优先的方法，帮助你在学习关键主题的同时建立信心。你所需要的只是Python的使用经验，了解其处理数据和数组的写法。你将学习如何实现机器学习中非常常见的场景，包括计算机视觉、自然语言处理（NLP）以及用于Web、移动、云端、嵌入式运行时的序列建模。大多数与机器学习相关的书开篇就是令人生畏的高级数学知识。这本指南提供了实用的课程，你可以直接同代码打交道。通过使用代码示例了解机器学习的基础知识使用TensorFlow为各种场景建模使用仅包含一个神经元的神经网络建模实现包括图像特征检测在内的计算机视觉使用NLP标记和序列化单词与句子将你的模型嵌入安卓和iOS设备通过TensorFlowServing在Web和云端提供模型

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.