TensorFlow是谷歌研发的人工智能学习系统，是一个用于数值计算的开源软件库。《TensorFlow深度学习算法原理与编程实战》以基础+实践相结合的形式，详细介绍了TensorFlow深度学习算法原理及编程技巧。通读全书，读者不仅可以系统了解深度学习的相关知识，还能对使用TensorFlow进行深度学习算法设计的过程有更深入的理解。 《TensorFlow深度学习算法原理与编程实战》共14章，主要内容有：人工智能、大数据、机器学习和深度学习概述；深度学习及TensorFlow框架的相关背景；TensorFlow的安装；TensorFlow编程策略；深度前馈神经网络；优化网络的方法；全连神经网络的经典实践；卷积神经网络的基础知识；经典卷积神经网络的TensorFlow实现；循环神经网络及其应用；深度强化学习概述；TensorFlow读取数据的API；TensorFlow持久化模型的API；可视化工具TensorBoard的使用；TensorFlow使用多GPU或并行的方式加速计算等。 《TensorFlow深度学习算法原理与编程实战》内容通俗易懂，案例丰富，实用性强，特别适合对人工智能、深度学习感兴趣的的相关从业人员阅读，也适合没有相关基础但是对该方面研究充满兴趣的爱好者阅读。

《智能问答与深度学习》面向在校学生或计算机软件从业人员，由浅入深地介绍了人工智能在文本任务中的应用。《智能问答与深度学习》不但介绍了自然语言处理、深度学习和机器阅读理解等基础知识，还简述了信息论、人工智能等的发展过程。

深度学习，特别是深度卷积神经网络是人工智能的重要分支领域，卷积神经网络技术也被广泛应用于各种现实场景，在许多问题上都取得了超过人类智能的结果。本书作为该领域的入门书籍，在内容上涵盖深度卷积神经网络的基础知识 和实践应用两大方面。《解析深度学习：卷积神经网络原理与视觉实践》共14 章，分为三个部分：第一部分为绪论；第二部分 （第1～4 章）介绍卷积神经网络的基础知识、基本部件、经典结构和模型压缩等基 础理论内容；第三部分（第5～14 章）介绍深度卷积神经网络自数据准备开始，到 模型参数初始化、不同网络部件的选择、网络配置、网络模型训练、不平衡数据处 理，最终到模型集成等实践应用技巧和经验。《解析深度学习：卷积神经网络原理与视觉实践》并不是一本编程类书籍，而是希望通过“基础知识”和“实践技巧”两方面使读者从更高维度了解、掌握并成功构 建针对自身应用问题的深度卷积神经网络。 《解析深度学习：卷积神经网络原理与视觉实践》可作为深度学习和卷积神经网络爱好者的入门书籍，也可供没有机器学习 背景但希望能快速掌握该方面知识并将其应用于实际问题的各行从业者阅读参考。

《强化学习实战：强化学习在阿里的技术演进和业务创新》汇集了阿里巴巴一线算法工程师在强化学习应用方面的经验和心得，覆盖了阿里巴巴集团多个事业部的多条业务线。《强化学习实战：强化学习在阿里的技术演进和业务创新》系统地披露在互联网级别的应用上使用强化学习的技术细节，更包含了算法工程师对强化学习的深入理解、思考和创新。作为算法工程师，你将了解到强化学习在实际应用中的建模方法、常见的问题以及对应的解决思路，提高建模和解决业务问题的能力；对于强化学习方向的研究人员，你将了解到在游戏之外更多实际的强化学习问题，以及对应的解决方案，扩宽研究视野；对于机器学习爱好者，你将了解到阿里巴巴的一线机器学习算法工程师是如何发现问题、定义问题和解决问题的，激发研究兴趣以及提升专业素养。 《强化学习实战：强化学习在阿里的技术演进和业务创新》适合算法工程师、强化学习方向的专业人员阅读，也可供机器学习爱好者参考。

人工智能开发的激烈竞争与飞速进步、以及“技术奇点”的日渐临近，使人们更加关注人工智能会不会夺走人们手中的工作？人工智能与人类是不是对立的？技术奇点真得会到来吗？技术奇点到来时人类该如何生存？未来的我们将如何面对技术奇点等问题。为了诠释这些疑问，本书在对人类史、人工智能、机器人、奇点的问题进行整体把握的基础上，对人工智能、机器人、奇点问题给人类未来带来的影响、由此产生的问题以及解决对策等进行了通俗易懂的解说，并对“从人类700万年甚至大约40亿年的生物进化史来看，奇点具有怎样的意义？”“生物与人类生存的意义究竟在何处？”“人类在终的未来探求什么？”这些问题进行了积极的探讨。

本书共通过7章，深入浅出地介绍了因子图数学定义、推断方法，以及真实环境中机器人上的各种应用。在涵盖了详细的背景知识及数学论证的同时，提供了充足的SLAM应用案例以供读者参考。

《深度学习基础教程》是真正适合深度学习初学者的入门书籍，全书没有任何复杂的数学推导。《深度学习基础教程》首先介绍了深度学习的优势和面临的挑战、深度学习采用深层架构的动机、学习深度学习需要的数学知识和硬件知识以及深度学习常用的软件框架。然后对多层感知机、卷积神经网络（CNN）、受限玻耳兹曼机（RBM）、循环神经网络（RNN）及其变体—长短时记忆（LSTM）网络进行了详细介绍，并且以独立章节重点阐述了CNN在计算机视觉中的应用、RNN在自然语言处理中的应用以及深度学习在多模态学习领域中的应用。随后，本书介绍了深度强化学习的基本知识，给出了应用深度学习技术需要的许多实用技巧并概述了深度学习的一些新方向和新应用。

本书旨在为读者提供相对系统的人工智能介绍，包括人工智能概念、发展历程、涉及的数学背景、传统的机器学习方法以及深度学习方法等，同时也谈及一些政策、标准及产业方面的宏观问题，试图帮助读者理清人工智能的现状及未来。全书简明扼要，揭示一些本质的技术但又不过于深入细节，以期为人工智能入门读者提供相对系统的信息参考。本书适合从事人工智能相关工作的技术人员、管理人员以及对人工智能感兴趣、希望快速了解人工智能技术的人员阅读，也可作为高等院校相关专业学生的学习参考资料。

本书基于Azure Machine Learning Studio探讨了现代数据科学算法的背景、理论和实际应用。全书共8章。第1章描述了在数据科学领域，Azure机器学习如何通过实现完全托管的数据科学云服务迈出预测分析解决方案的关键一步；第2章讲解预测分析科学和方法论的基本概念；第3章探讨Azure ML Studio的基本原理；第4章基于一个实用的Azure机器学习预测模型，探讨可以用来调用Azure机器学习Web服务的客户端和服务器应用程序的类型；第5章深入探讨Azure ML Studio提供的一些复杂的机器学习算法；第6章探讨数据分析的挖掘方案，包括自主数据分析、确定数据的相关性、推断逻辑分组以及被广泛研究的用“从树木到森林”的算法处理混乱数据的方案；第7章介绍当今互联网中*强大和被广泛使用的预测分析的实现方法；第8章探索如何将“持续学习”纳入到预测模型工作流的实现机制上。本书适合从事云计算、机器学习和数据科学相关行业的开发人员、工程师阅读，也适合用作大专院校相关专业和培训机构的教学用书。

MXNet是亚马xun的深度学习库，以简单、高效、容易使用而著称。它拥有类似于Theano和TensorFlow的数据流图，为多GPU装置提供了良好的配置。《MXNet神经网络与量化投资》以MXNet作为研究实践平台，实现量化投资交易。书中主要介绍了在MXNet环境下，利用深度学习常用算法，实现线性、MLP、CNN卷积、GoogLeNet、ResNet深度残差、RNN循环神经网络、DenseNet稠密神经网络等多种模型在量化投资和股价预测方面的应用，同时采用NLP语义分析技术，対股票价格走势进行统计分析，以及金融数据的可视化分析，得到更直观的模型分析效果，通过先进的人工智能模型，在量化投资领域中取得较高收益。