这是一本讲解银行如何利用AI技术提升业务效能和用户体验的著作，也是一本指导银行如何通过AI技术实现数字化和智能化转型的著作。作者在银行业从事技术工作20余年，本书的经验和案例全部来自成功的、真实的业务实践。作者从实际业务场景出发，聚焦智能营销、智能风控、智能运营3大类业务，用11个项目案例为11种高频业务提供了被验证的AI技术解决方案。每个项目案例包括方案设计、技术理论、算法框架、代码实现、效果展示等模块，手把手教读者实现案例的全过程。同时，每个案例还提供数据模型和示例数据，读者可以直接在自己的业务中复用。每个案例均使用不同类型的AI技术来实现，涉及数据挖掘、计算机视觉、计算机听觉、自然语言处理等10余种技术，能给读者带来的具体业务价值如下：？用自动机器学习技术实现月活客户挖掘；？用图神经网络实现高价值客户识别；？用推荐系统技术实现业务的精准推荐；？用强化学习技术评估营销推文的价值；？用因果推断技术实现关联还款二元因果效应模型；？用智能语音问答技术实现方言电话催收机器人；？用多项机器学习技术实现电信欺诈洗钱账户的识别；？用图像理解技术实现重要业务或产品的视觉监控；？用贝叶斯网络技术实现个人贷款逾期预测；？用自动控制技术实现私域流量客户的冷启动；？用计算机视觉技术实现数据中心智能巡检机器人。

暂缺简介...

本书以人工智能技术为工具，主要从态势评估、威胁评估、单机多目标攻击决策、多机协同多目标攻击空战决策和机动决策五个方面对多机协同多目标攻击智能决策的方法展开研究。基于D-S证据理论与贝叶斯网络在态势评估中的应用优势存在争论，分析了模糊理论和D-S证据理论结合的理论基础，建立了态势评估的模糊D-S证据理论结构模型。在威胁评估方法的研究中，从超视距空战的角度出发构造空战优势函数，主要威胁因素增加了威胁行为事件和目标战役价值的影响；考虑到评估过程的主观性和不确定性，从动态的角度提出基于离散模糊动态贝叶斯方法的多机协同多目标攻击空战威胁评估模型，提出一种新的多机协同多目标攻击空战威胁评估方法，提高了威胁评估的准确性和适应性。在对单机多目标攻击决策方法研究中，利用模糊多属性决策的方法，研究超视距空战条件下的单机多目标攻击排序问题。在多机协同多目标攻击决策方法研究中，研究了协同优先权模型，考虑了空战效能优势指数，建立了大规模群机作战转化为小规模集团作战的分组决策模型，提出了基于LSRBF-SOFM组合神经网络的多机协同多目标攻击空战决策算法。最后研究了多机协同多目标攻击空战机动决策方法，分别建立了基于多级影响图对策的近距协同空战机动决策模型和基于多目标多级影响图对策的中远距空战多目标攻击机动决策模型。并针对多机协同空战是一个多Agent系统，各战机是单个Agent，并采用影响图分析多Agent的模型，将复杂的多机协同空战机动决策问题分解为若干子问题，以期实现在不确定空战环境下做出结果最佳的决策。

基于多传感器融合的定位方法是目前移动机器人定位的主流方式。相对于单一传感器定位，多传感器融合定位具有成本低、容错率高、抗干扰能力强的优点。然而，现有的多传感器融合定位算法，无法同时兼顾定位精度和系统容错率，在融合过程中，对信息分配、信号干扰、误差模型异常等问题考虑的较少，严重的影响了机器人的定位效果。针对诸多问题，本著作主要从多传感器融合及系统构建、移动机器人融合定位算法、移动机器人导航算法、移动机器人避障路径规划算法、移动机器人障碍物检测与避障算法实施以及移动机器人室内定位与导航系统的实现方法等相关内容一一给出解答。本著作可以作为科研工作者、高校教师以及在校研究生、本科生的指导书以及算法学习参考书目。

在大数据时代背景下，统计学作为数据分析领域的基础，被应用于各行各业，其方法发挥着重要作用。为了更广泛地普及统计学知识，培养更多的统计学人才，《商务统计学基础：从不确定性到人工智能》应运而生。作为入门级图书，《商务统计学基础：从不确定性到人工智能》内容安排如下。第 1 章从不确定性出发，讲述统计学和不确定性的关系，以及统计学中用于描述不确定性的各种概率模型。第 2 章是参数估计，系统讲述统计学中矩估计和极大似然估计两种常用的参数估计方法，并基于两种方法介绍各种常见概率分布中参数的点估计和区间估计。第 3 章是假设检验，首先从不确定性的角度探讨实际中的各种决策问题，帮助读者理解假设检验的思想和应用场景，然后系统介绍假设检验的方法论及各种常见推广。第 4章是回归分析，首先介绍回归分析的思想和广泛的应用场景，然后系统地介绍各类常用模型，从线性回归到广义线性回归，最终落脚到两种机器学习算法（决策树、神经网络）。 《商务统计学基础：从不确定性到人工智能》特别强调实际应用，因此各个章节都辅以大量的实际案例，在介绍统计学基础知识的同时培养读者使用统计学方法解决实际问题的能力。

这是一本能指导读者快速掌握PyTorch和深度学习的著作，从PyTorch的原理到应用，从深度学习到强化学习，本书提供了全栈解决方案。第1版上市后销量和口碑俱佳，是深度学习领域的畅销书，被誉为PyTorch领域的标准著作。第2版在第1版的基础上，去芜存菁，与时具进，根据PyTorch新版本全面升级，技术性、实战性、针对性、丰富性、易读性均得到了进一步提升，必定能帮助读者更轻松、更高效地进入深度学习的世界。全书一共19章，在结构上分为三大部分：第1部分（第1~4章） PyTorch基础首先有针对性地讲解了Python和PyTorch的基石NumPy中的关键知识，然后详细讲解了PyTorch的基础知识、神经网络工具箱和数据处理工具箱等内容，帮助读者快速了解和掌握PyTorch。第二部分（第5~10章） 深度学习基础依次讲解了机器学习、视觉处理、自然语言处理、注意力机制、目标检测、语义分割、生成式深度学习等机器学习和深度学习的核心技术的原理和使用。第三部分（第11~17章） 深度学习实践通过实战案例的方式，详细讲解了PyTorch在人脸检测和识别、迁移学习、中英文互译、图像分类、语义分割、生成式网络、对抗攻击等领域的应用和解决方案。第四部分（第18-19章） 强化学习重点介绍了强化学习和深度强化学习的基础理论、常用算法及相关实例。更为重要的是，为了让本书通俗易懂，在内容安排和写作方式上也颇花了一番心思。内容选择上，广泛涉猎、重点突出、注重实战；内容安排上，实例切入、由浅入深、循序渐进；表达形式上，深度抽象、化繁为简、用图说话。

本书从语义匹配的角度解决搜索引擎和推荐系统的关键痛点，为构建解决语义匹配问题的深度学习模型提供了通用框架。第1章概述搜索和推荐中的语义匹配问题，以及近年来的研究进展。第2章介绍传统匹配模型，包括潜在空间模型。第3章介绍深度学习技术在构建匹配模型时的应用。第4章和第5章分别介绍用于搜索和推荐的深度匹配模型，并将当前的深度学习解决方案分为两类：表示学习方法和匹配函数学习方法。第6章对全书内容做了总结，并为读者指明进一步学习的方向。 本书适合对深度学习感兴趣的各类读者，包括相关专业的本科生、研究生、博士生，以及从事信息检索、搜索引擎、推荐系统、计算广告相关工作的软件工程师。

当前，有很多关于人工智能（AI），并和人类生产、生活关系紧密的议题被广泛讨论，包括“如何避免大数据时代个人隐私形同虚设”“代码是否具有道德”等。这些现实议题背后，是两个根本问题：何为“AI伦理”？何为“AI治理”？ 本书汇聚众多专家的观点，对这两个根本问题进行了深入探讨，涉及人工智能、计算机、法律、社会学等多个领域，覆盖社会和个人、生产和生活的诸多方面。　本书是根据未来论坛“AI伦理与治理”系列研讨会的成果总结、整理而来，分为AI向善的理论与实践、AI的公平性、AI与风险治理、AI决策的可靠性和可解释性、用户数据隐私、包容性的AI这6个专题方向。每个专题方向均汇集了各领域中一线专家经充分思辨讨论后形成的观点。　本书适合人工智能领域学者、工程师、管理者、创业人员和相关专业学生，法律、社会学等领域的专业人士，以及政府相关部门人员阅读。

本书是新一代人工智能系列教材之一。金融科技经历了金融电子化阶段、互联网金融阶段，进入了金融智能阶段。本书从金融智能的理论、应用和监管三个视角出发，围绕金融智能的理论，结合金融智能应用场景，介绍了人工智能、大数据等新兴技术所引起的金融业的解构与重构。本书共分5篇14章，主要内容包括金融智能概论、金融大数据概览、金融大数据管理、金融智能建模基础、推荐系统、知识图谱、金融智能客服、金融智能风控、金融智能营销、智能投顾、传统金融的智能化、合规科技、监管科技以及实验要求和实验指南。本书内容丰富、系统全面、实践性强，为读者学习金融智能提供了广泛的视角。 本书可作为高等学校人工智能、金融科技等专业高年级本科生和研究生相关课程教材，也可作为金融从业人员学习金融智能知识的参考读物。

本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程知识及预备知识中描述的线性代数、微分和概率等基础知识。