本书以任务为导向，讨论了机器学习和深度学习的主要问题，包括聚类、回归、分类、标注、降维、特征工程、超参数调优、序列决策（强化学习）和对抗攻击等。书中对上述每个问题，分别从决策函数类模型、概率类模型和神经网络类模型三个角度来讨论具体的实现算法。　本书在内容上兼顾基础知识和应用实践。总体上，以基本理论知识为主线，逐步展开，从概念入手，逐步讨论算法思想，着重考虑知识的关联性，最后落实到机器学习扩展库和深度学习框架的具体应用。具体到每个模型，采用以示例入手、逐渐深入的方式，尽量给出详尽的分析或推导。　本书的特点是主要通过示例来讨论相关模型，适合初学者入门使用。本书示例代码采用Python 3程序设计语言编写。传统机器学习算法的应用示例主要以ScikitLearn机器学习扩展库来实现，隐马尔可夫模型示例用hmmlearn扩展库来实现，条件随机场模型示例用CRF++工具来实现。深度学习算法的示例采用TensorFlow 2框架和MindSpore框架来实现。　本书适合计算机、人工智能及相关专业的学生使用，对于相关技术研究人员也有参考价值。

本书作为海洋大学核心通识课配套的教材建设项目，主要包括经典的人工神经网络和目前热门的深度学习网络，分为理论篇与实践篇。理论篇包括BP神经网络、径向基网络、自组织网络、反馈网络、不确定方法、深度卷积神经网络、深度学习循环网络等10章内容。实践篇主要是对理论篇介绍的各种网络的设计和应用。本书强调网络模型的理论基础，从数学的角度介绍网络的算法、分析网络的性能以及优化网络的应用。教材的读者主要是各高校相关课程的选课学生和教师，以及对神经网络和深度学习领域感兴趣的人员。

《图机器学习》详细阐述了与图机器学习相关的基本解决方案，主要包括图的基础知识、图机器学习概述、无监督图学习、有监督图学习、使用图机器学习技术解决问题、社交网络图、使用图进行文本分析和自然语言处理、信用卡交易的图分析、构建数据驱动的图应用程序和图的新趋势等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。

本书系统论述深度 学 习 图 像 检 索 的 原 理 与 应 用。全 书 共 分 为 两 篇：第 一 篇 图 像 检 索 基 础（ 第 1~3 章） ， 介绍图像检索技术、 深度 学 习 基 础、 基 于 深 度 学 习 的 图 像 检 索 方 法;第 二 篇 图 像 检 索 应 用 （ 第 4~8 章） ， 以车辆图像为研究对象， 深入详细地讲述基于深度神经网络的快速车辆图像检测方法、 基于迁移学习 场景自适应的车辆图像检索方法、 基于多视角图像生成的车辆图像检索方法、 基于车牌图像超分辨率重建 的车辆图像检索方法、 多模型融合的渐进式车辆图像检索方法。附录 A 和附录 B分别提供本书实验所使 用的数据集和源代码。 本书适合作为从事深度学习图像检索技术研究的科技工作者、 专业 技术人员、 高校教师、 研究生及高 年级本科生的参考用书。

本书结合课题组多年的科研成果，对大数据混合存储布局优化及其安全迁移相关理论和技术进行了全面、系统的介绍。全书共分为8章，其中第1章概述了海量存储系统的存储介质、SCSI协议与FC协议、存储系统的发展与以及海量存储技术及应用领域；第2章论述了海量信息存储系统中负载均衡机制；第3、4章论述了并发的混合存储布局的优化模型及分布式存储集群系统布局优化策略；第5章阐述了数据存储布局的多目标优化方案；第6章讲述了在分布式混合存储系统中数据安全迁移的技术；第7章论述了混合存储环境下重复数据删除技术；第8章论证了数据完整性审计方法。本书从理论和实践两个方面，在对相关理论进行深入分析和研究的同时，给出了对应的模型和算法的仿真过程，有利于广大读者更为深入地理解有关大数据混合存储布局及其安全迁移技术的实现过程和算法设计思想。本书可供信息类相关领域的研究者或技术人员查阅，也可作为相关专业研究生的教材和参考资料。

作为机器学习领域应用比较成熟、广泛的业务，个性化推荐在电商、短视频等平台发挥着重要作用，其背后的推荐系统已成为当今越来越多应用程序的标配。关于推荐算法的论述有很多，而要将其很好地应用到实际场景中，则需要大量的实践经验。本书从实战的角度介绍推荐系统，主要包含三部分 ：召回算法、排序算法和工程实践。书中细致剖析了如何在工业中对海量数据应用算法，涵盖了从算法原理，到模型搭建、优化以及最佳实践等诸多内容。

本书系统介绍了知识图谱的概念、发展历程、技术体系、前沿技术与应用实践。在基础知识方面，本书囊括了知识图谱从源数据到产生决策的全生命周期的各个环节，分析了数据图谱和知识图谱的核心区别，介绍了图谱构建和知识表示等相关关键技术。在前沿技术方面，全面介绍了知识图谱自动构建、知识图谱融合和智能推理等问题和挑战。在应用实践方面，结合营销智能国家新一代人工智能开放创新平台建设，介绍了知识图谱在信息检索、推荐系统、可视化、问答机器人等场景下的实际操作案例。

本书首先介绍了图像处理基础知识、构建计算机视觉系统、深度学习与人工神经网络，然后重点阐述了深度学习用于图像识别及目标检测。之后，本书通过多个案例来介绍深度学习在计算机视觉方面的应用，同时探讨了云上计算机视觉建模。特别地，本书通过设问及循序渐进的学习目标，可以让读者深刻领会利用深度学习技术解决计算机视觉问题。

本书通过Python示例介绍人工智能技术在金融数据分析中的应用。你将了解如何运用神经网络、强化学习等深度学习技术预测金融市场。本书分为六大部分。第一部分介绍人工智能算法的核心概念，包括监督学习和神经网络，并描绘超级人工智能愿景。第二部分讨论机器学习技术在金融市场中的应用。第三部分更进一步，讨论如何利用神经网络和强化学习技术解决金融市场中的统计失效问题。第四部分详述如何利用算法交易解决统计失效问题。第五部分展望未来，探讨人工智能会如何改变金融业。第六部分给出以Python实现的神经网络，可用于时间序列预测。

本书详细介绍了Kafka与Pulsar的使用方式，并深入分析了它们的实现机制。通过阅读本书，读者可以快速入门和使用Kafka与Pulsar，并深入理解它们的实现原理。 \n本书通过大量实践示例介绍了Kafka与Pulsar的使用方式，包括管理脚本与客户端（生产者、消费者）的使用方式、关键的配置项、ACK提交方式等基础应用，以及安全机制、跨地域复制机制、连接器/流计算引擎、常用监控管理平台等高级应用。这些内容可以帮助读者深入掌握Kafka与Pulsar的使用方式，并完成日常管理工作。另外，本书深入分析了Kafka与Pulsar的实现原理，包括客户端（生产者、消费者）的设计与实现、Broker网络模型、主题（分区）分配与负载均衡机制，以及磁盘存储与性能优化方案、数据同步机制、扩容与故障转移机制。最后，本书介绍了Kafka与Pulsar的事务机制，并深入分析了Kafka事务的实现及Kafka的分布式协作组件KRaft模块。这部分内容可以帮助读者轻松理解Kafka与Pulsar的架构设计与实现原理。 \n