这是一本具有高中数学知识就能读懂的机器学习图书，书中通过大量程序实例，将复杂的公式重新拆解，详细、清晰地解读了机器学习中常用的微积分知识，一步步带领读者进入机器学习的领域。

《Python深度强化学习入门：强化学习和深度学习的搜索与控制》共7章。第1章介绍了机器学习的分类、强化学习的学习机制以及深度强化学习的概念；第2章通过强化学习的基本概念、马尔可夫决策过程和贝尔曼方程、贝尔曼方程的求解方法、无模型控制等介绍了强化学习的基本算法；第3章通过深度学习、卷积神经网络（CNN）、循环神经网络（RNN）介绍了强化学习中深度学习的特征提取方法；第4章通过行动价值函数的网络表示、策略函数的网络表示介绍了深度强化学习的实现；第5章通过策略梯度法的连续控制、学习算法和策略模型等，详细介绍了深度强化学习在连续控制问题中的应用及具体实现；第6章通过巡回推销员问题和魔方问题详细介绍了深度强化学习在组合优化中的应用及具体实现；第7章通过SeqGAN的文本生成和神经网络架构的搜索详细介绍了深度强化学习在时间序列数据生成的应用。在附录中还给出了Colaboratory和Docker等深度强化学习开发环境的构建。

《Python深度学习入门：从基础知识到实践应用》全面细致地讲解了深度学习的基础知识及其应用，具体内容包括深度学习开发环境的准备、Python的基础知识，以及深度学习模型的使用与开发等。《Python深度学习入门：从基础知识到实践应用》中充分结合了实例，对深度学习的概念、模型和程序语句进行了深入浅出的介绍，尤其是重点介绍了使用迁移学习的“NyanCheck”应用程序如何识别图像的种类，全面剖析了深度学习在实际中的应用。《Python深度学习入门：从基础知识到实践应用》适合人工智能、机器学习和深度学习方向的学生和技术人员学习，也适合广大人工智能爱好者阅读。通过《Python深度学习入门：从基础知识到实践应用》你将学习以下内容：Python的基础知识使用迁移学习的应用程序，及如何将其配置到GCP深度学习的基础和实际编程技术使用迁移学习的NyanCheck应用程序及其在GoogleCloudPlatform上的配置方法《Python深度学习入门：从基础知识到实践应用》特点：简单易懂，没有Python的基本知识，按照《Python深度学习入门：从基础知识到实践应用》章节也可实现深度学习快速入门数学公式少，并且以一种易于理解的方式进行解释实操演练，使用深度学习模型开发Web应用程序

《智能推荐技术（大数据与人工智能技术丛书）》围绕电商、资讯等众多实际应用背后的内核，即智能推荐技术，系统介绍经典和前沿技术，包括基于邻域、矩阵分解、深度学习、迁移学习、联邦学习等的建模方法和推荐算法。《智能推荐技术（大数据与人工智能技术丛书）》围绕用户行为数据的建模问题组织内容，全书共分6部分： 第1部分（第1章）为背景和基础； 第2部分（第2～4章）为单行为推荐，是指仅对一种显式反馈（如评分）或一种隐式反馈（如浏览）数据进行建模； 第3部分（第5～6章）为多行为推荐，是指同时考虑浏览和购买等包含多种行为的数据； 第4部分（第7～8章）为序列推荐，是指同时关注用户行为和这些行为的先后顺序； 第5部分（第9～10章）为联邦推荐，更加关注用户行为中的隐私和数据安全问题； 第6部分（第11章）为总结与展望。全书综合梳理了多个智能推荐问题和相关技术，分析了方法的优缺点和内在联系，并在每章结束时提供了详细的参考文献和有针对性的习题。《智能推荐技术（大数据与人工智能技术丛书）》可以作为计算机科学与技术、软件工程等相关专业的研究生和高年级本科生的教材，也可以作为推荐系统工程师的参考手册。

本书是一本系统介绍深度学习技术及开源框架PyTorch的入门书。书中通过大量案例介绍了PyTorch的使用方法、神经网络的搭建、常用神经网络（如卷积神经网络、循环神经网络）的实现，以及实用的深度学习技术，包括迁移学习、对抗生成学习、深度强化学习、图神经网络等。读者通过阅读本书，可以学会构造一个图像识别器，生成逼真的图画，让机器理解单词与文本，让机器作曲，教会机器玩游戏，还可以实现一个简单的机器翻译系统。第2版基于PyTorch 1.6.0，对全书代码进行了全面更新，同时增加了Transformer、BERT、图神经网络等热门深度学习技术的讲解，更具实用性和时效性。

《机器学习应用实战/大数据与人工智能技术丛书》特点：以问题为导向，详细讲解基础知识点与算法的演练。机器学习实战案例丰富，涵盖15个完整项目案例。代码详尽，避免对API的形式展示，规避重复代码。语言简明易懂，轻松学会Python机器学习常见算法。各个算法相对独立，便于读者理解和掌握数学原理。《机器学习应用实战/大数据与人工智能技术丛书》将基础理论和案例实战相结合，循序渐进地介绍了关于机器学习领域中的经典和流行算法，全面、系统地介绍了使用Python实现机器学习算法，并通过PyTorch框架实现机器学习算法中的深度学习内容。《机器学习应用实战/大数据与人工智能技术丛书》首部分为基础篇，包括第1－8章，系统地介绍了机器学习基础、数据预处理、简单分类算法、决策树、支持向量机、回归分析、聚类分析、神经网络与多层感知机；第二部分为综合篇，包括第9～12章，介绍了CNN、RNN、GNN及GAN等经典深度学习方法及其在计算机视觉与自然语言处理领域中的应用实践；第三部分为拓展篇，包括第13～15章，以百度飞桨和旷视天元为例介绍了具有代表性的国产开源框架及其应用案例，最后简要介绍了国内外两个主流机器学习竞赛平台。《机器学习应用实战/大数据与人工智能技术丛书》主要面向广大从事数据分析、机器学习、数据挖掘或深度学习的专业人员，从事高等教育的专任教师，高等学校的在读学生及相关领域的科研人员。

《人机协同》引入面向新型人工智能应用的人机协同概念，系统介绍人机协同理念与机制，并通过智慧餐厅与服务机器人、交互式图像分割等场景应用及发展人机协同技术。在前沿技术方面，深入介绍互补人机协同、混合人机协同、多人多机协同、人机协同中的伦理与安全等人机协同的核心内容。在应用实践方面，《人机协同》结合营销智能国家新一代人工智能开放创新平台建设，按照人机交互、人在回路、机器服务、人机混合系统的路线，通过实际案例，完整介绍人机协同体系。

本书介绍了人工智能和大数据涉及的核心概念和模型。书中涉及概念包括监督和非监督学习、数据类型、可视化、线性回归、逻辑回归、分类回归树、神经网络等。同时，本书理论和实际并重，基于真实的实例和数据集，引入了R语言演示实际计算和操作，为读者展示解决实际问题的代码，从而让读者掌握在实际生活中解决相关问题的方法。本书适合想要综合学习人工智能、大数据和数据科学，尤其是想要依靠这些学科解决实际问题的人学习，也适合作为相关课程的参考教材。

在大数据时代，机器学习（ML）在互联网领域取得了巨大的成功，数据应用也逐渐从“数据驱动”阶段向“模型驱动”阶段跃升，但这也给ML项目落地带来了更大的困难，为了适应时代的发展，MLOps应运而生。本书从多个方面介绍了MLOps实践路径，内容涵盖了设计、构建和部署由ML驱动的应用程序所需的各种实用技能。 本书适合数据科学家、软件工程师、ML工程师及希望学习如何更好地组织ML实验的研究人员阅读，可以帮助他们建立实用的MLOps实践框架。

本书从人工智能技术的演进和发展\人工智能技术体系人工智能技术角度，阐述在机电产品、研发设计、经营管理、生产制造、客户服务、经营决策中的应用，制造业企业实施人工智能的策略等。为人工智能技术在制造业中的应用落地给出一些方向和建议