理论和实践的紧密结合是人工智能领域的显著特点。为了降低初学者的学习门槛，引导初学者了解人工智能的基本概念，并以实际应用促进感性认知，我们编写了本书。 本书共7章。第1章介绍人工智能的发展、概念以及典型应用;第2章介绍知识表示方法和搜索技术;第3章介绍Python编程的基本知识，作为后续内容的程序设计基础;第4章和第5章介绍分类与聚类以及回归等方法；第6章介绍神经网络的原理和方法；第7章简要介绍最热门的深度学习技术。 第4～6章在原理讲解的同时，给出了程序示例，以增强感性认识，并引导初学者在实践中理解理论和方法。 本书可以作为人工智能、大数据及相关专业本科生的基础导论课程教材，也可以作为其他学科研究人员学习人工智能技术的参考书。

本书由国家教学名师，教育部计算机类专业教学指导委员会委员、浙江省高等学校计算机类专业教学指导委员会副主任，人工智能领域著名作者王万良编写，由他编写的《人工智能》专业教材，被国内众多高校用作教材。为适应人工智能的发展，满足非计算机专业，尤其是人文社科专业的读者学习人工智能知识，特编写本书，以简明扼要的语言，向非计算机专业学生介绍人工智能的相关知识，本书不需要读者具有任何相关知识，就可以了解人工智能的概念、应用前景等内容，可以作为非计算机专业学生的通识教程。

本书致力于推动人工智能的普及教育，使用通俗易懂的语言深入浅出地介绍了人工智能的相关知识，主要内容包括：人工智能的基本概念、人工智能的分类和应用，人工智能的发展历程，人工智能的核心技术，人工智能在教育、家居、经济、视觉、工业领域的应用，以及人工智能的未来。 本书案例丰富、通俗易懂，使读者能够快速了解人工智能的基本概念和应用，可以作为高职类院校的人工智能通识类课程教材，也可以供社会人士学习和了解人工智能使用。

　　？？ 学习成功机器学习项目的最佳实践。 ？？ 使用Azure完成自动机器学习。 ？？ 理解分类和回归，以及模型可解释性和透明性等概念。 ？？ 了解如何在其他环境中使用Automated ML，如Azure Databricks、ML.NET和SQL Server。 ？？ 探索推动机器学习大众化的工具。

·学习如何在生产环境部署深度学习模型。 ·研究多家领先公司的PyTorch用例。 ·学习如何对图像应用迁移学习。 ·使用Wikipedia上训练的一个模型应用前沿的NLP技术。 ·使用PyTorch的torchaudio库用一个基于卷积的模型完成音频分类。 ·使用TensorBoard和火焰图调试PyTorch模型。 ·用Docker容器和Google Cloud上运行的Kubernetes集群在生产环境中部署PyTorch应用。

本书讨论了机器学习的基本问题和基本算法。从方便学习的目的出发，本书主要以聚类任务、回归任务、分类任务、标注任务、概率模型、神经网络模型、深度学习模型七个主题对相关内容进行组织。前四个主题以机器学习的四个主要任务为核心讨论相关算法及基础知识。概率类模型和神经网络类模型可以完成聚类、回归、分类和标注等多类任务，但它们各有自成体系的基础知识，因此各设一个主题进行集中讨论，可能更方便读者理解。深度学习模型属于神经网络模型，但它具有明显的特征和广泛的应用，是机器学习领域的后起之秀

本书《人工智能（下）》重点阐述AI基本概念、基本知识和应用场景，培养学生智能化时代的思维方式、科技视野、创新意识和科技人文素养，使学生理解培养学生对人工智能的正确认知，帮助青少年了解AI技术的应用场景，体验AI技术给人带来的获得感，消除陌生感和畏惧感，做人工智能时代的主人。

人脸识别是当今的热门应用领域和研发方向，在安防、金融、公共服务等领域具有十分广泛的应用。本书全面、系统地介绍“刷脸”背后的技术，包括人脸检测、人脸识别、人脸关键点定位、人脸检索相关的算法和实现技术。另外，本书还囊括了前沿的、基于深度学习的人脸识别技术（2014―2020年）。本书讲解的算法具有前沿性和实用性。通过本书学习，学习人员能够在3～5个月内系统地了解、掌握人脸检测、人脸识别、人脸关键点定位、人脸检索的算法原理与实战技术。本书内容新颖、技术前沿、层次清晰，适合高校教师、研究生、工程师和人脸识别爱好者使用。

本书为一本Python初级入门教程，主要为初学者介绍了当前人工智能发展中使用最为广泛的计算机编程语言———Python语言的基础知识。 本书分Python语言基础篇和Python语言应用篇，介绍了Python语言的编写规范和Python的发展历史，同时还介绍了有关人工智能领域相关功能库的安装和使用方法，并提供了一些配套的实战练习。 本书与《人工智能基础与进阶》共同形成一套适合人工智能初学者的教材，同时也适合广大对人工智能相关领域感兴趣的读者。

本书全面系统地讲解了机器学习的理论与方法，内容主要包括高斯混合模型和EM算法、主题模型、非参数贝叶斯模型、聚类分析、图模型、支持向量机、矩阵分解、深度学习及强化学习。本书旨在使读者了解机器学习的发展，理解和掌握它的基本原理、方法与主要应用。本书内容丰富，着重机器学习理论的推导与证明，并通过实例进行方法的分析与比较。同时，本书强调机器学习的系统性、完整性和时效性，可读性强。