《深度学习（上）》对所有主要的深度学习方法和*新研究趋势进行了深入探索。《深度学习（上）》分为上下两卷，五个部分。上卷包括两个部分：第一部分是基础算法，包括机器学习基础算法、早期神经网络算法、深度学习的正则化方法和深度学习的优化方法；第二部分是判别式模型，包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆模型（LSTM）、注意力机制和记忆网络。下卷包括三个部分：第三部分是生成式模型，包括深度置信网络/深度玻尔兹曼机、自编码器（AE）/变分自编码器（VAE）、生成对抗网络（GAN）、像素级生成、深度聚类等；第四部分是前沿技术，讨论深度强化学习；第五部分是安全保障，包括深度学习的可解释性和对抗样本的攻击与防御。《深度学习（上）》特别注重学术前沿，对包括胶囊网络在内的当前*新成果进行了细致的讨论。《深度学习（上）》构建了一套明晰的深度学习体系，同时各章内容相对独立，并有辅助网站（http：//deeplearningresource.com）在线提供大量论文、代码、数据集和彩图等学习资源供读者边实践边学习。

《强化学习（第2版）》作为强化学习思想的深度解剖之作，被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发，深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法，并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。 《强化学习（第2版）》适合所有对强化学习感兴趣的读者阅读、收藏。

《计算机视觉度量 从特征描述到深度学习》全面介绍了计算机视觉中被广泛使用的各种方法，包括局部特征描述子、区域描述子、全局特征描述子以及评价这些内容的度量方法和分类方法，并用将近一半的篇幅重点介绍了基于深度学习的特征学习方法，以及FNN、RNN和BFN三类深度学习架构的特点。《计算机视觉度量 从特征描述到深度学习》内容丰富、前沿，强调理论分析，旨在探讨各种计算机视觉研究方法背后的技术和原理，同时也探讨了深度学习与神经科学之间的关系，展望了未来深度神经网络的发展方向。《计算机视觉度量 从特征描述到深度学习》用专门一章讲解了计算机视觉流程和算法的优化，通过汽车识别、人脸检测、图像分类和增强现实等实例具体探讨了硬件优化和软件优化的方法。《计算机视觉度量 从特征描述到深度学习》每章末尾都配有相应的思考题，附录给出了许多有效的实践资源和一些有用的分析，同时提供了源代码，既适合高校计算机视觉课程的教学，也适合从事计算机视觉的研究人员和工程技术人员参考使用。

《TensorFlow+PyTorch深度学习从算法到实战》详尽介绍深度学习相关的基本原理与使用TensorFlow、PyTorch两大主流框架的开发基础知识和基本技术，并且展示了在图像识别与文本生成实际问题中的应用方法。同时考虑到程序员擅长JavaScript 的人员比熟悉Python 的人员更多的情况，特别增加了对于TensorFlow.js 的介绍。初学者面对深度学习望而却步的主要原因是认为入门门槛太高，需要较多的算法基础训练。针对此问题，本书原创了5-4-6 学习模型提纲挈领地降低学习曲线，并通过将知识点和难点分散到代码中的方式让读者以熟悉的方式迅速入门，并且为进一步学习打下坚实的基础。同时，本书也介绍了AutoML和深度强化学习等新技术，帮助读者开阔眼界。　《TensorFlow+PyTorch深度学习从算法到实战》内容翔实，讲解深入浅出，通俗易懂，配有大量的程序案例可供实操学习，既适合职场中经验丰富的开发人员学习，又可供计算机等相关专业的在校学生和其他科技人员参考，还可供算法理论相关的研究人员参考。

本书介绍终身学习这种高级机器学习范式，这种范式通过积累过去的知识持续地学习，并将学到的知识用于帮助在未来进行其他学习和解决问题。相比之下，当前主流的机器学习范式都是孤立学习，即给定一个训练数据集，之后在这个数据集上运行机器学习算法以生成模型，然后再将该模型运用于预期的应用。这些范式不保留已经学到的知识，也不将其运用到后续的学习中。与孤立学习系统不同，人类只通过少量的样例就能实现有效学习，这是因为人类的学习是知识驱动的，即只需少量的数据或付出，就能利用过去已经学到的知识去学习新事物。终身学习的目标就是模仿人类的这种学习能力，因为一个没有持续学习能力的AI系统不能算作真正的智能。 自本书第1版出版以来，终身学习的研究在相对较短的时间内取得了显著的进展。出版第2版是为了扩展终身学习的定义，更新部分章节的内容，并添加一个新的章节来介绍深度神经网络中持续学习的内容，这部分内容在过去的两三年里一直被积极研究。部分章节的内容也进行了修改，使得内容更有条理，方便读者阅读。此外，作者希望为这一研究领域提出一个统一的框架。目前，在机器学习中有几个与终身学习密切相关的研究课题，特别是多任务学习、迁移学习以及元学习，因为它们也采用了知识共享和知识迁移的思想。本书之所以集中介绍这些技术并讨论其异同，目的是在介绍终身机器学习的同时，对该领域的重要研究成果和新想法进行全面回顾。本书适用于对机器学习、数据挖掘、自然语言处理或模式识别感兴趣的学生、研究人员和从业人员。

本书面向人工心理和情感机器人等前沿领域，讨论了情感机器人表情控制和机械结构设计的理论、技术及其应用的若干方面，主要包括机器人的起源及发展、机械头及身躯设计、表情控制模式、电动机控制、机器视觉、人机交互与合作、软件集成、数据库及知识库技术、情感模型与机器学习等方面的研究理论、技术与应用方法，取材新颖，内容深入浅出、材料丰富，理论与实际紧密联系，具有较好的创新性和学术参考价值。

本书介绍了深度学习原理与TensorFlow实践。着重讲述了当前学术界和工业界的深度学习核心知识：机器学习概论、神经网络、深度学习。着重讲述了深度学习的实现以及深度学习框架TensorFlow：Python 编程基础、TensorFlow编程基础、TensorFlow模型、 TensorFlow编程实践、TensorFlowLite 和 TensorFlow.js、TensorFlow案例：医学应用和Seq2Seq+attention 模型及其应用案例。本书*大特色是既有由浅入深的理论知识，又有从入门到高深的应用编程的技术知识。本书涵盖了深度学习的理论、Python 编程语言以及TensorFlow编程知识和代码解读，为深度学习初学者以及进阶人员提供了详尽的必要知识。 本书可用于大学本科生高年级以及研究生人工智能教材，也可作为应用领域技术人员、工程技术人员和科学研究工作者的参考资料。

“PVCBOT”是以PVC为主要材料来制作的机器人，也是“低成本、易实现”的一项机器人DIY活动。区别于很多其他的机器人制作书籍的泛泛而谈，本系列的机器人教程除了着重介绍制作过程之外，还强调原理的分析、解释，不仅仅是知其然，还要知其所以然；并且为了使细节过程更细致、完整，本教程主要以图文并茂甚至是图片为主的“看图说话”的方式进行展现，力求更清晰明了和通俗易懂。本书是《无线电》杂志作者梁玮针对零基础初学者写成的机器人制作入门书籍，使用常见的电子零件和PVC材料，花费30元以下就能制作简易机器人。该题材的连载在杂志上一直受到读者，尤其是中小学通用技术课、少年宫课外活动的辅导老师欢迎。目前PVCBOT已经推出了套件，便于制作，图书搭配套件销售，有一定市场潜力。

这是一部从基础理论、核心原理、前沿算法等多个维度系统、全面讲解AutoML、AutoDL、AutoNAS和元学习的著作。 作者是资深的人工智能专家，平安科技深度学习平台和AutoML平台负责人。本书得到了IEEE Fellow/ACM杰出科学家/香港科技大学教授杨强教授、腾讯AI Lab副主任俞栋、美国佛罗里达大学教授李晓林等8位来自企业界、学术界和媒体界的资深专家的一致好评。它既能让新人理清AutoML的脉络，快速上手机器学习，又能让有经验的读者全面掌握AutoML的知识体系，工作变得更高效。 全书共14章，逻辑上分为四部分： 第一部分（第1~2章） 人工智能基础 对人工智能、自动化人工智能的重要概念、发展历程及现状、适用场景、主要的工具和技术等做了全面的介绍，并引出了人工智能技术未来的发展方向——AutoML，这部分是阅读本书的基础。 第二部分（第3~6章） AutoML 主要讲解机器学习和自动化机器学习，核心是AutoML，包含自动化特征工程、自动化模型选择和自动化超参优化3个方面的内容。 第三部分（第7~13章） AutoDL 主要讲解深度学习和自动化深度学习，重点讲解了AutoDL的原理、基于强化学习的AutoDL、基于进化算法的AutoDL、AtuoDL的高阶知识、自动化模型压缩与加速，以及各种核心算法和前沿算法。 第四部分（第14章） 元学习 元学习是人工智能的理想目标，这部分对元学习的概念、流程和各种主流的学习方法都进行了详尽的介绍。

机器学习已经广泛地应用于各行各业，深度学习的兴起再次推动了人工智能的热潮。本书结合项目实践，首先讨论了TensorFlow、PySpark、TI-ONE等主流机器学习平台的主要特点；然后结合Tableau介绍了数据可视化在银行客户用卡行为分析的应用。在此基础上，利用上述介绍的这些平台，通过多个项目案例，详细地分析了决策树、随机森林、支持向量机、逻辑回归、贝叶斯网络、卷积神经网络、循环神经网络、对抗生成网络等机器学习算法在金融、商业、汽车、电力等领域的应用。本书内容深入浅出，提供了详细的 Python 代码，既可以作为从事机器学习、数据挖掘的相关研究人员的参考书，也可以作为高校相关专业机器学习、数据挖掘等课程的实验和实训教材。