本书分为两个部分，共12章。第1章到第5章介绍了大数据的本体论、机器学习的基本理论等内容，为具体场景、算法的实践奠定了基础。读者可以了解到，在工程实践中，对大数据的处理、转化方式与人类学习知识并将其转化为实践的过程是多么相似。在对机器学习的介绍中，会对其数学原理、训练过程做基本的讲解，并辅以代码帮助读者了解真实场景中技术工具的使用。第6章到第12章提供了多个不同的用例，章节之间彼此独立，介绍了如何用人工智能技术（自然语言处理、模糊系统、遗传编程、群体智能、强化学习、网络安全、认知计算）实现大数据自动化解决方案。如果读者对 Java 编程语言、分布式计算框架、各种机器学习算法有一定的了解，那么本书可以帮助你建立一个全局观，从更广阔的视角来看待人工智能技术在大数据中的应用。如果读者对上述知识一无所知，但是对大数据人工智能的技术、业务非常感兴趣，那么可以通过本书获得从零到一的认知提升。

本书主要介绍一种机器学习算法——提升法，主要关注其基础理论和算法，也兼顾了应用。全书共14章，分为4个部分。首先给出机器学习算法及其分析的概要介绍，然后第一部分重点探究了提升法的核心理论及其泛化能力。第二部分主要介绍了有助于理解和解释提升法的其他理论，包括基于博弈论的解释、贪心算法、迭代投射算法，并与信息几何学和凸优化建立了联系。第三部分主要介绍利用基于置信度的弱预测的AdaBoost算法的实用扩展，并用于解决多类别分类问题和排序问题。第四部分讨论了高级理论话题，包括AdaBoost算法、**提升法和连续时间下的提升法之间的统计一致性。附录部分介绍了所需高级的数学概念。本书适合对提升法感兴趣的读者，本书每章都附有练习，因此也适用于高等院校相关课程的教学。

本书是介绍自然语言处理（NLP）和深度学习的实战书。NLP已成为深度学习的核心应用领域，而深度学习是NLP研究和应用中的必要工具。本书分为3部分：第一部分介绍NLP基础，包括分词、TF-IDF向量化以及从词频向量到语义向量的转换；第二部分讲述深度学习，包含神经网络、词向量、卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆（LSTM）网络、序列到序列建模和注意力机制等基本的深度学习模型和方法；第三部分介绍实战方面的内容，包括信息提取、问答系统、人机对话等真实世界系统的模型构建、性能挑战以及应对方法。本书面向中高级Python开发人员，兼具基础理论与编程实战，是现代NLP领域从业者的实用参考书。

《阿里云天池大赛赛题解析——机器学习篇》聚焦机器学习算法建模及相关技术，以工业蒸汽量预测、天猫用户重复购买预测、O2O优惠券预测和阿里云安全恶意程序检测等四个天池经典赛题作为实战案例，针对实际赛题按照赛题理解、数据探索、特征工程、模型训练、模型验证、特征优化、模型融合等步骤，将赛题的解决方案从0到1层层拆解、详细说明，在展现专业选手解题过程的同时，配以丰富的相关技术知识作为补充。 《阿里云天池大赛赛题解析——机器学习篇》从经典商业案例出发，内容由浅入深、层层递进，既可以作为专业开发者的参考用书，也可以作为参赛新手研读专业算法的实战手册。

本书详细描述了PMML规范（Ver4.3）所支持的8种模型：神经网络模型、决策树模型、规则集模型、序列模型、评分卡模型、支持向量机模型、时间序列模型和聚合模型。全书不是简单地介绍PMML语法，而是融合各种挖掘模型基础知识和算法知识，告诉开发者如何融会贯通地掌握、使用PMML语言，不仅能够学习到标准的PMML模型表达方式，而且能学习机器学习模型的丰富知识，从而熟练地把PMML语言应用到自己的项目实践中。 本书可供从事数据挖掘（机器学习）、人工智能系统开发的软件开发者和爱好者学习使用，也可以作为高等院校大数据和人工智能等相关专业的教材。

随着物联网的快速发展，软件与硬件逐渐融合，硬件产品经理这个角色越来越受到大家的重视。本书主要对与硬件产品经理相关的知识进行了系统梳理，为大家介绍了什么是硬件和硬件产品经理，以及智能硬件产品经理这个新兴岗位的特点和发展。同时本书为读者介绍了物联网产品（也称智能硬件产品）在市场分析、需求分析、同类产品分析、产品设计、硬件方案设计、合作伙伴的选择方面的特点和方法，以及产品经理需要编写的文档。在此过程中还穿插了案例分析，帮助读者理解其内容。

身处AI（人工智能）世界，人类所有生活领域都面临着一场巨大变革。　人工智能的未来发展将走向何处？我们必须对什么情况做好心理准备？什么是与现实无关的、仅仅被渲染突出的幻境？智能机器在多大程度上构成一种威胁？将来我们与智能机器还有什么区别？　本书的每个章节都以一幕科幻剧作为开场，巧妙地回答了人类对无处不在的AI世界中，有关宇宙、人生及很多问题的追问。与此同时，作者艾伯尔在人工智能的应用领域、社会价值、行为认知以及深度学习等领域进行了更深层面的讨论。书中还向读者介绍了各式各样的机器人，比如烹饪机器人、演奏机器人、情感机器人，甚至用于军事领域的杀人机器人等，令人大开眼界。

近年来，基于深度学习方法的自然语言处理（NLP）已逐渐成为主流。本书共8章，主要介绍自然语言处理任务中的深度学习技术，包含深度学习理论基础、深度学习的软件框架、语言模型与词向量、序列模型与梯度消失/爆炸、卷积神经网络在NLP领域的应用、Seq2Seq模型与Attention机制、大规模预训练模型、预训练语言模型BERT，还给出了自然语言处理技术的高级应用和开发实例，并收录了基于PyTorch深度学习框架的部分实践项目。 本书既可作为人工智能、计算机科学、电子信息工程、自动化等专业的本科生及研究生教材，也可作为自然语言处理相关领域的研究人员和技术人员的参考资料。

本书从TensorFlow 2.0的基础知识讲起，深入介绍TensorFlow 2.0的进阶实战，并配合项目实战案例，重点介绍使用TensorFlow 2.0的新特性进行机器学习的方法，使读者能够系统地学习机器学习的相关知识，并对TensorFlow 2.0的新特性有更深入的理解。本书共14章，主要介绍机器学习、TensorFlow 2.0基础、张量、数据层、CNN等内容，中间还穿插了机器学习中常见的图形识别、文本处理和对抗训练等实例，以帮助读者理解TensorFlow 2.0。本书着重介绍了在TensorFlow 2.0中使用Keras的方法，Keras是TensorFlow 2.0中的重点概念，十分有必要对其进行学习。本书内容通俗易懂、案例丰富、实用性强，特别适用于TensorFlow 2.0的入门者和进阶者，以及有志从事机器学习的爱好者，本书还适合用作相关机构的培训教材。

本书围绕 TensorFlow 2 的概念和功能展开介绍，旨在以“即时执行”视角帮助读者快速入门 TensorFlow。本书共分5篇：基础篇首先介绍了 TensorFlow的安装配置和基本概念，然后以深度学习中常用的卷积神经网络、循环神经网络等网络结构为例，介绍了使用 TensorFlow建立和训练模型的方式，最后介绍了 TensorFlow中常用模块的使用方法；部署篇介绍了在服务器、嵌入式设备和浏览器等平台部署 TensorFlow模型的方法；大规模训练篇介绍了在 TensorFlow中进行分布式训练和使用 TPU 训练的方法；扩展篇介绍了多种 TensorFlow 生态系统内的常用及前沿工具；高级篇则为进阶开发者介绍了 TensorFlow程序开发的更多深入细节及技巧。