本书由浅入深、全面系统地介绍人脸图像的各个研究方向和应用场景，包括但不限于基于深度学习的各个方向的核心技术。本书理论体系完备，讲解时提供大量实例，可供读者实战演练。本书涵盖的内容非常广泛，从基本的人脸数据集发展历史和人脸检测开始，分别讲述在此基础上进行的人脸图像处理的相关技术与应用，涉及身份识别、安全认证、人机交互和娱乐社交等领域。 本书共11章，涵盖的主要内容有人脸图像与特征基础、深度学习基础、人脸数据集、人脸检测、人脸关键点检测、人脸识别、人脸属性识别、人脸属性分割、人脸美颜与美妆、人脸三维重建及人脸属性编辑。 本书适合计算机视觉领域的初学者及所有在人脸图像算法领域想要有所提高的工程技术人员、学生及教职工阅读。读者既可以将本书作为核心算法书籍学习理论知识，也可以将本书作为工程参考手册查阅相关技术。本书核心知识： 1. 理论与背景基础知识 人脸图像的特点与人脸特征 深度卷积神经网络核心技术 人脸各个领域的数据集发展史 2. 图像识别核心知识 目标检测与人脸检测 人脸关键点检测 人脸识别 人脸属性识别 图像分割与人脸属性分割 人脸美颜与妆造迁移 人脸三维重建 人脸属性编辑 3. 八大经典案例 Faster RCNN框架人脸检测 轻量级人脸关键点检测 基于VGG与Center loss的人脸识别 轻量级人脸表情和年龄识别 轻量级人脸属性分割 基于GAN的人脸妆造迁移 三维人脸库的使用与重建 人脸动画头像风格化

本书主要介绍了TensorFlow 2在机器视觉中的应用。本书共8章，主要内容包括神经网络的原理，如何搭建开发环境，如何在网络侧搭建图片分类器，如何识别图片中不同肤色的人数，如何用迁移学习诊断医疗影像，如何使用Anchor-Free模型检测文字，如何实现OCR模型，如何优化OCR模型。本书适合机器视觉、深度学习方面的专业人士阅读。

本书通过聚焦于开发基于神经网络的解决方案来介绍机器学习，首先将从熟悉构建深度学习解决方案所需的概念和技术开始，然后介绍如何创建分类器、构建目标检测和语义分割神经网络、训练生成式模型，以及使用TF 2.0的工具，如TensorFlow Datasets和TensorFlow Hub，加速开发过程。学完本书之后，读者将能够使用TF 2.0开发任何机器学习问题的解决方案，并能将它们部署到生产环境之中。

随着互联网技术的飞速发展，全球逐渐步入了大数据时代，智能化的趋势越来越明显，各行各业几乎都喊出了智能化的口号，机器学习作为人工智能的一个重要研究方向，在一定程度上成为了IT人才的必要技能。本书以一个自研机器学习算法框架的构建为主线，首先介绍了机器学习的相关概念和背景，然后按照代数矩阵运算层、*优化方法层、算法模型层和业务功能层的分层顺序对算法框架展开讲述，旨在通过理论和实践相结合的方式，帮助广大零算法基础的开发人员了解和掌握一定的算法能力，同时作为算法设计人员在工程实现上的参考范例。 本书实用性强，既面向零算法基础的开发人员，也面向具备一定算法能力，并且在工程实现上希望有所借鉴或参考学习的算法设计人员及机器学习算法爱好者。

《计算机视觉前沿发展：目标检测专题》主要介绍基于深度学习的目标检测算法。从实用的角度出发，《计算机视觉前沿发展：目标检测专题》将目标检测问题分为2D目标检测，3D目标检测，以及总结与展望等几章，分别描述算法发展和侧重解决的问题，并对未来的发展趋势做出展望。第二章，在2D目标检测方面，《计算机视觉前沿发展：目标检测专题》介绍了多个学者近期感兴趣的研究方向，包括：1）为了解决深度学习训练样本不足的问题，2D目标样本的合成；2）为了解决训练时样本分布不均的问题，研究者们在难例选择上做出的一些工作；3）利用弱监督学习进行目标检测；4）以及在多尺度目标、多视角、多任务学习、遮挡等方面的问题。第三章，在3D目标检测方面，介绍以下多种方案完成3D目标检测，包括：1）基于双目图像深度估计的伪雷达；2）基于点云投影到鸟的视角；3）基于RGBD图像（2．5D表达）；4）基于规则3D体素；5）基于几何（Frustum）信息，6）基于点云；7）基于多任务学习等等。最后，作者总结当前目标检测算法的发展思路，分析各个流派方法的异同，并提出对未来算法发展的一些见解。

本书通过正在学习机器学习的程序员绫乃和她朋友美绪的对话，结合回归和分类的具体问题，逐步讲解了机器学习中实用的数学基础知识。其中，重点讲解了容易成为学习绊脚石的数学公式和符号。同时，还通过实际的Python 编程讲解了数学公式的应用，进而加深读者对相关数学知识的理解。

《机器学习中的基本算法》共八章.第1章和第2章简要介绍了机器学习的基本概念、研究内容、算法体系，以及相关的优化理论与优化算法.第3章和第4章详细介绍了几类作为分类器和回归器的支持向量机算法，包括算法出发点、建模思想、理论推导和算法在数据分类、识别、拟合、预测等方面的应用.第5章和第6章着重介绍了两类常用的数据预处理方法，一类是数据的特征提取方法，另一类是数据的聚类方法.第7章和第8章介绍了几类常用的神经网络算法和数据相关分析算法.　《机器学习中的基本算法》可用作数据科学与大数据技术、人工智能与云计算、计算机科学与应用、数学与应用数学等本科专业中机器学习课程的教材，也可用作相关或相近学科研究生的参考教材.

知识图谱作为当前人工智能的重要方向之一，不仅被实验室的研究者关注，更被各行各业的商业应用所关注。知识图谱是一个古老而又崭新的课题，是知识工程在新时代的新形态。智能离不开知识。知识始终是人工智能的核心之一。本书按照知识表示、知识库构建、知识推理和知识应用的基本脉络，全面介绍有关知识图谱的前沿技术。为便于理解和融会贯通，本书也对相关 NLP与机器学习的基本知识与知识图谱的经典传统方法进行了适当描述。本书既可作为人工智能领域研究人员的技术参考书，也可作为高等院校相关专业师生的教学参考书。

本书共11章，主要内容包括深度学习简介、Python基础、神经网络基础、卷积神经网络、经典卷积网络结构、迁移学习、循环神经网络、强化学习、深度强化学习、基于策略的算法更新与趋势等，通过具体案例，将Python语言、深度学习思想、强化学习思想和实际工程完美地结合起来。本书由浅入深，从易到难，各章节既相对独立又前后关联，其*大的特点就是打破了传统书籍的讲解方法，在介绍各部分理论基础的同时，搭配具体实例，通过对相关程序的详细讲解进一步加深对理论基础的理解。

第1章介绍了 PyTorch 进行深度学习的方法以及 PyTorch 的基本 API；第2章通过构建一个简单神经网络，演示如何将神经网络、优化器和参数更新联接在一起，构建简单深度学习模型；第3章深入探讨深度学习工作流实现以及帮助构建工作流的 PyTorch 生态系统；第4章介绍基于CNN的应用；第5章介绍主要RNN组件；第6章简要地论述了生成网络的历史，然后解释了不同种类的生成网络；第7章介绍了强化学习；第8章探讨不同的生产部署选项。