《机器学习案例分析（基于Python语言）》共分为4个部分：1、基础知识：主要介绍机器学习的基本概念、Python的基础知识、常用第三方库，并结合网络爬虫及信息提取案例和股票数据图表绘制案例使读者对本部分内容有更好的理解。2、有监督分类案例：包括Iris数据分类、新闻文本数据分类、手写数字图像识别和场景文字检测共4个案例。3、无监督聚类案例：包括人脸图像聚类和文本聚类共2个案例。4、回归预测案例：包括房价预测、员工离职预测和广告点击率预测共3个案例。

本书是关于在MATLAB中使用实例进行机器学习的综合指南。书中概述了人工智能与自动控制的历史；回顾了用于机器学习的商用软件包，并展示了它们如何应用于该领域；接着展示了如何使用MATLAB来解决机器学习问题，以及如何利用MATLAB图形技术来增强程序员对机器学习结果的理解。 本书随书提供了机器学习中若干重要问题的MATLAB完整解决方案，包括飞行控制、人脸识别、自动驾驶。书中所有的示例和应用程序都提供了完整的源代码。 机器学习包含大量的数学概念与理论解释。书中以清晰简洁的方式介绍了其中每个领域的数学知识，即使是并不经常接触数学理论的读者也可以轻松理解。工程领域的读者会看到这些数学知识与他们已经了解的领域技术之间的密切联系，并将学习到新的技术。 本书主要内容： l如何使用MATLAB构建机器学习应用 l适用于机器学习的MATLAB可视化技术 l面向工程的机器学习应用案例

本书作为深度学习工程师初级认证官方教材，将深度学习理论基础与平台操作有机结合，从算法到实战，共分6章，第1~4章主要介绍专业知识，包括数学基础、Python基础、机器学习和深度学习等基础知识;第5章面向工程实战能力的训练，介绍深度学习开发平台，特别是飞桨开发平台的实战案例;第6章面向业务理解与实践能力的提升，介绍深度学习在各个行业的应用案例。 本书适合人工智能领域的工程师、研发人员，在校大学生、研究生，跨领域转AI从业者，以及对深度学习人工智能感兴趣的读者使用。 本书提供配套教学内容，详情请访问：https：//aistudio.baidu.com/。

语音技术的进步使科幻电影中人机对话的场景正在逐渐走进现实生活。我们生活中用到的智能手机、电脑、音箱以及汽车等很多设备和工具都已经配备了语音界面，我们经常在商场里看到的导购机器人或者玩具机器人，也支持人机对话，支持用户语音搜索或者下达指令。语音界面看似简单，但其开发却蕴含着很多我们意想不到的问题和困难。《语音界面冲击》这本书将带领我们全面了解：语音界面的历史；语音界面的现状及未来；语音界面的功能、优势和特点；需要使用何种技术才能实现语音界面；语音界面面临的课题和问题；实现“语音交互”以及人机对话面临哪些障碍； 语音界面的商业用途；…………语音界面的商用前景也令人憧憬。语音经济的规模将会超过移动应用。据预测，仅仅在美国和英国，语音电商的规模就将从2018年的20亿美元增长至2022年的400亿美元。语音技术创业公司的数量和融资规模也在飞速上升。未来，我们将看到人机互动的另一种无限可能。

《深度学习导论》讲述了前馈神经网络、Tensorflow、卷积神经网络、词嵌入与循环神经网络、序列到序列学习、深度强化学习、无监督神经网络模型等深度学习领域的基本概念和技术，通过一系列的编程任务，向读者介绍了热门的人工智能应用，包括计算机视觉和自然语言处理等。本书编写简明扼要，理论联系实践，每一章都包含习题以及补充阅读的参考文献。本书既可作为高校人工智能课程的教学用书，也可供从业者入门参考。本书要求读者熟悉线性代数、多元微积分、概率论与数理统计知识，另外需要读者了解Python编程。

本书基于TensorFlow、Keras和scikit-learn，介绍了21个典型的人工智能应用场景。全书共3篇，分别是预测类项目实战篇、识别类项目实战篇和生成类项目实战篇。其中预测类项目包括房价预测、泰坦尼克号生还预测、共享单车使用情况预测、福彩3D中奖预测、股票走势预测等8个项目；识别类项目包括数字识别、人脸识别、表情识别、人体姿态识别等7个项目；生成类项目包括看图写话、生成电视剧剧本、风格迁移、生成人脸等6个项目。本书代码丰富，注释详尽，适合有一定Python基础的读者，包括计算机相关专业的学生、程序员和人工智能神经网络的技术爱好者。

微软高级研究员撰写，剖析机器阅读理解支撑技术、模型架构、前沿算法、模型SDNet源码与落地应用。 全书分为三篇，共8章内容。基础篇（第1～3章），介绍机器阅读理解的基础知识和关键支撑技术，涵盖机器阅读理解任务的定义，阅读理解模型中常用的自然语言处理技术和深度学习网络模块，例如如何让计算机表示文章和问题、做多项选择题及生成回答等。架构篇（第4～6章），介绍解决各类机器阅读理解任务的基本模型架构和前沿算法，并剖析对机器阅读理解研究有着重要影响的预训练模型（如BERT和GPT）。实战篇（第7～8章），包括笔者在2018年获得CoQA对话阅读理解竞赛第一名时所用的模型SDNet的代码解读，机器阅读理解在各种工业界应用中的具体落地过程和挑战，以及笔者对于机器阅读理解未来发展方向的思考。

本书主要介绍基于互联网场景的交互式实时语音处理流程，内容涉及智能语音助手、智能音箱、音/视频会议等，具体包括实时语音信号处理、数字音效、网络传输编/解码和语音唤醒识别四部分。在阐述各部分内容时，本书从基本概念和原理入手，将理论和实践相结合，并细致分析了极具商业价值的实例，以帮助读者了解相关算法在工程上是如何实现的。另外，为便于有兴趣的读者快速进行算法验证并将其改进和应用到实际的项目中，作者也开源了书中算法的源码。 对于语音技术零基础的读者，建议按照本书的编排顺序阅读；本书也适合有一定语音理论基础的高等院校相关专业本科生和研究生；对从事语音相关产品的非技术人员来说，可从本书了解语音处理的主要内容和技术难点，对从事语音工程开发的技术人员来说，本书开源了一些极具商业价值的源码工程，具有较高的参考价值。

本书共分为四篇，即深度强化学习、多智能体深度强化学习、多任务深度强化学习和深度强化学习的应用。由浅入深、通俗易懂，涵盖经典算法和近几年的前沿技术进展。特别是书中详细介绍了每一种代表性算法的代码原型实现，旨在理论与实践相结合，让读者学有所得、学有所用。 第一篇（包含第1～3章）主要讲解深度强化学习基础，侧重于单智能体强化学习算法，相对简单，有助于初级读者理解，同时涵盖了近几年的经典算法和一些前沿的研究成果。 第二篇（包含第4～5章）主要侧重于对多智能体深度强化学习的讲解，从多智能体强化学习基本概念到相关算法的讲解和分析，以多个极具代表性的算法为例带领读者逐步学习多智能体训练及控制的理论与方法。同时，还介绍了多智能体强化学习领域一些前沿学术成果。 第三篇（包含第6～7章）扩展到多任务场景，称为多任务深度强化学习。首先介绍了多任务强化学习的基本概念和相关基础知识，随后讲解了部分经典的多任务深度强化学习算法。 第四篇（包含第8～11章）主要讲解深度强化学习的实际应用，涉及游戏、机器人控制、计算机视觉和自然语言处理四大领域。通过领域应用中思想和方法的讲解，培养读者跨领域解决实际问题的能力，以帮助读者熟练掌握和使用深度强化学习这一强大的方法来解决和优化实际工程领域中的问题。

《深度学习：从Python到TensorFlow应用实战》全面介绍深度学习中的卷积神经网络结构、学习原理、代码实现、API调用等基本知识，重点介绍开发深度学习应用所需要的Python技术基础以及TensorFlow深度学习库，并以文本分类和语音识别为例说明TensorFlow的应用场景。 《深度学习：从Python到TensorFlow应用实战》可供对TensorFlow比较熟悉并且对机器学习有所了解的开发人员、科技工作者和研究人员参考，也可作为高等院校计算机、软件工程等专业高年级本科生与研究生的教材。