本书针对产业界在智能化过程中普遍面临的数据不足问题，详细地阐述了联邦学习如何帮助企业引入更多数据、提升机器学习模型效果。互联网数据一般分布在不同的位置，受隐私保护法规限制不能共享，形成了“数据孤岛”。联邦学习像“数据孤岛”之间的特殊桥梁，通过传输变换后的临时变量，既能实现模型效果提升，又能确保隐私信息的安全。 本书介绍了联邦学习技术的原理和实战经验，主要内容包括隐私保护、机器学习等基础知识，联邦求交、联邦特征工程算法，三种常见的联邦形式，以及工程架构、产业案例、数据资产定价等。

《用Python编程和实践！深度学习教科书》是一本专门针对有一定编程经验，但没有Python和机器学习相关经验的读者编写的参考书籍，目标是让读者能够独立编写出机器学习相关的应用程序。书中首先介绍了机器学习和Python语言的基础知识，然后对NumPy、Pandas、matplotlib等在Python中使用频率较高的软件库进行讲解；对数据可视化、lambda和map等Python语法、基于DataFrame的数据整理、OpenCV的运用和图像数据的数据预处理进行讲解；最后对监督学习、超参数和调校等基础的机器学习及深度学习技术进行实践与挑战，并最终使读者达到能够运用深度学习技术之一的CNN来实现图像识别任务项目的技术水平。本书特点是用编程实践的方法学习，特别适合深度学习初学者及参与人工智能（AI）相关开发的程序员、研究人员和理工科学生。

最发达的科技为何不能解决最复杂最重要的问题？缺失的实际上是决策智能。这本书是关于如何以一种新的方式思考决策，与古老的思维模式相联系，并由无限的新信息来源和合作提供新信息。这个领域被称为决策智能（DI）。本书提供了一种新的人工智能：决策智能，一种链接起数据、行为和结果的新智能，也是感知智能和认知智能的下一个阶段。本书讨论了决策智能的核心问题：今天采取行动，做出决策，未来会出来什么结果？也提供了决策智能的核心――因果决策图，是思想的DNA。因果决策模型综合人工智能、行为经济学、因果分析等，形成一种任何人都能使用的决策方法。作者提供如何建立决策模型的方法，决策智能的应用和力量，决策智能为未来提供的技术和智力支持。同时，通过制定决策的思维过程，驱除机器和人决策的迷雾，用可视化图表展现出来，为复杂环境提供了技术的切入点。本书将当前最敏锐的思维从决策智能、人工智能、因果分析和行为经济学整合到一种任何人都可以使用的决策方法中。决策智能是人工智能的新阶段。用真实案例解析决策智能如何将人和计算机等链接，帮助我们解决复杂问题。

语音是新一代人机交互的方式，语音识别是实现这一方式的关键环节，也是实现人工智能的基本步骤之一。本书结合当下使用广泛的Kaldi工具，对语音识别的基本概念和流程进行了详细的讲解，包括GMM-HMM、DNN-HMM、端到端等常用结构，并探讨了语音识别在实际应用中的问题，包括说话人自适应、噪声对抗与环境鲁棒性、小语种语音识别、关键词识别与嵌入式应用等方面，也对语音技术的相关前沿课题进行了介绍，包括说话人识别、语种识别、情绪识别、语音合成等方向。本书的写作以让读者快速、直观地理解概念为目标，只展示最基本的数学公式，同时本书注重理解与实践相结合，在对语音技术各个概念的讲解中都展示了相应的Kaldi语音处理命令，以便让读者进一步融会贯通。本书适用于语音识别及相关技术的初学者、在校学生，以及基于Kaldi进行产品研发的同仁，也可以作为语音从业者的参考书目。

这是一部指导信贷业务如何用智能风控、反欺诈的技术和方法实现风险控制的著作。.作者是经验丰富的智能风控算法专家，先后就职于头部的互联网公司的金融部门以及头部的公募基金公司，致力于人工智能算法在信贷风控领域的应用。.本书不仅体系化地讲解了智能风控和反欺诈的体系、算法、模型以及它们在信贷风控领域实践的全流程，而且还从业务和技术两个角度讲解了传统的金融风控体系如何与智能风控方法实现双剑合璧。全书以实战为导向，辅以多个用Python实现的综合案例，便于读者理解和实操。.全书共10章，逻辑上分为四个部分：.第1~3章是风控业务的基础，首先介绍了什么是信用风险和欺诈风险，然后讲解了传统风险管理体系中搭建评分卡的思路，以及智能风控时代数据和模型的技术框架。.第4~6章集中讲述了智能风控中常见的特征工程、算法原理和建模流程，包括梯度提升决策树、孤立森林、神经网络、词嵌入、图嵌入等前沿算法的数学原理和公式。.第7~9章是作者参与过的风控和反欺诈实战项目，通过案例和代码的形式，帮助读者更好地将风控理念和建模技术融会贯通。.？第10章以金融科技行业的头部玩家为例，展望了智能风控和反欺诈技术未来的商业模式和发展方向。

《机器学习观止——核心原理与实践》在写作伊始，就把读者设想为一位虽然没有任何AI基础，但对技术本身抱有浓厚兴趣、喜欢“抽丝剥 茧”、探究真相的“有识之士”。有别于市面上部分AI技术书籍从一开始就直接讲解各种“高深莫测”算法的叙 述手法，《机器学习观止——核心原理与实践》尝试先从零开始构建基础技术点，而后“循序渐进”地引领读者前进，最终“直捣黄龙”，赢取最 后的胜利。 全书据此分为5篇，共31章，内容基本覆盖了由AI发展历史、数学基础知识、机器学习算法等经典知识点以及 深度学习、深度强化学习等较新理论知识所组成的AI核心技术。同时注重“理论联系实践”，通过多个章节重点 介绍了如何在工程项目中运用AI来解决问题的诸多经验以及相应的模型算法，以期让读者既能享受到“知其所以 然”的乐趣，还能体会到“知其然”的轻松和愉悦。 《机器学习观止——核心原理与实践》适合对AI感兴趣的读者阅读，从事AI领域工作的研究人员、工程开发人员、高校本科生和研究生都可以从 《机器学习观止——核心原理与实践》中学到机器学习的相关知识。

暂缺简介...

本书研究的灵感来自于近期的强化学习（RL）和信息物理系统（CPS）领域的发展。RL植根于行为心理学，是机器学习的主要分支之一。不同于其他机器学习算法（如监督学习和非监督学习），RL的关键特征是其独特的学习范式，即试错。与深度神经网络相结合，深度RL变得如此强大，以至于许多复杂的系统可以被人工智能智能体在超人的水平上自动管理。另一方面，CPS被设想在不久的将来给我们的社会带来革命性的变化。这些例子包括新兴的智能建筑、智能交通和电网。

本书对于机器学习的核心方法，进行了深入而详细的介绍，并特别关注各学科最常用的算法。**特色在于力图以生动的语言、较多的插图与大量的实例来直观地解释机器学习的原理。同时，结合流行的Python语言，及时地介绍相应的软件操作与经典案例，为读者提供“一站式”服务。本书还提供详尽的数学推导，尽量避免跳跃，并辅以直观的文字解释。对于看似复杂的机器学习原理，则删繁就简，娓娓道来，让读者渐入佳境。本书适合普通高等学校经济管理类以及理工类等的高年级本科生和研究生使用。先修课包括微积分、线性代数与概率统计，但不要求有编程或Python语言经验。本书将从零开始，让读者快速体会到R语言的美妙与威力。

《Python机器学习》讲解未来人工智能技术中的机器学习，从入门知识到实践。全书分为“导入篇”、“基础篇”、“实践篇”三部分。 导入篇包括第1章和第2章的内容。第1章是关于Python的安装和语言的说明及阅读本书需要进行的准备等，“快速教程”中将对通过Python如何接触机器学习进行说明，章节末尾的“短文 深度学习是什么”中，会涉及到最近引人关注的深度学习的历史及其现状； 第2章中将概述机器学习的各个方面。 基础篇从第3章到第5章，将对分类问题、回归问题、聚类进行说明。特别是在“第3章 分类问题”，阐述了性能的评价方法及其注意要点，这是使用机器学习需要掌握的基础部分。 第6章和第7章的定位为实践篇，讲解了一些实际应用。第6章以手形状分类为题材，用和实际相近的形状进行数据收集，创建分类器，并进行评价；第7章中会看到传感器数据的处理方法，最后阐述了本篇的结束语。