工程师需要知道的机器学习和人工智能提供的实例和图示来自Prosise的AI和ML课程，这]课程受到了全球各地许多公司和研究所的青睐和欢迎。作者不涉及让人滑悚然和望而生畏的数学公式，目的只有一个那就 是面向工程师和软件开发人员，帮助他们迅速入门并通过案例迅速运用人工智能和机器学习来解决业务问题。本书讲帮助读者学会什么是机器学习和深度学习以及两者各有哪些用途;理解常用的深度学习算法的原理及其应用;学会标记和未标记数据，监督学习和非监督学习有何差异;通过scikit-learn和神经网络Keras和TensorFlow ，运用Python来进行机器学习建模;训练和评分地柜模型与-进制和多类粉类器模型 ;构建面检测和面识别模型以及 对象检测模型。本书适合硬件工程师与软件开发人员阅读和参考

《机器学习项目交付实战》将介绍如何从模型和数据中获取**性能，帮助你构建稳定的数据管道。通过高效的可复用技术集合，来确保应用程序工作流程的顺利执行，以及提高模型的可维护性。基于数十年的良好软件工程实践，机器学习工程可确保你的机器学习系统具有弹性、适应性和可执行性。 《机器学习项目交付实战》将介绍设计、构建和交付成功的机器学习项目的核心原则和上佳实践。你将了解很多软件工程技术，例如对原型进行实验和实施模块化设计，从而产生弹性架构和一致的跨团队沟通。基于作者丰富的经验，本书中的每一种方法都被成功地用于解决现实世界中的问题。 ● 根据预期和预算确定机器学习项目的范围 ● 为你的项目选择正确的技术路线 ● 使你的代码库更易于理解，提升可维护性和可测试性 ● 实现故障排除和日志系统的自动化

《深度学习之图像识别：核心算法与实战案例（全彩版）》全面介绍了深度学习在图像识别领域中的核心算法与应用。该书不但重视基础理论的讲解，而且从第4章开始，每章都提供了1～3个不同难度的案例供读者实践，读者可以在已有代码的基础上进行改进，从而加深对所学知识的理解。 《深度学习之图像识别：核心算法与实战案例（全彩版）》共9章：首先介绍深度学习的基础概念，包括神经网络基础知识和深度学习中的优化技术；然后系统介绍深度学习中与数据相关的知识，包括经典数据集的设计、数据集的增强，以及数据的获取、整理与可视化；接着重点针对图像识别领域，结合实战案例系统地介绍深度学习在图像分类、图像分割和目标检测3个领域的核心技术与应用；另外，还会对深度学习模型的可视化以及模型的压缩和优化进行详细介绍，为读者设计和训练更加实用的模型提供指导；最后以微信小程序平台为依托，介绍微信小程序前后端开发技术，从而完成深度学习模型的部署。 《深度学习之图像识别：核心算法与实战案例（全彩版）》理论结合实践，广度兼具深度，非常适合深度学习领域的相关技术人员与爱好者阅读，尤其适合基于深度学习的计算机视觉从业人员阅读，可以帮助他们全方位了解深度学习在计算机视觉领域的技术全貌。另外，该书还适合作为高校人工智能相关专业的教材和社会培训机构相关课程的教材。

本书主要讨论多极化合成孔径雷达图像的图像解译方法，重点是地物分类和识别方法，书中利用深度学习的先进模型和方法解决少样本的地物分类问题，获得较高的分类精确度。本书引入了作者团队最新的科研成果，由浅入深地介绍了5个深度学习方法，包括稀疏滤波和近邻保持的深度学习方法、 距离度量的深度学习方法、 半监督卷积神经网络的深度学习方法、 半监督生成对抗网络的深度学习方法和图卷积网络的深度学习方法以及相应的训练策略和分类方法，解决少样本的多极化合成孔径雷达图像的地物分类问题。介绍方法时均给出了真实的合成孔径雷达数据集上的实验结果， 以验证所述方法能提升地物分类的正确率和效率。本书适合作为合成孔径雷达图像处理、 识别、数据处理方向的研究生教材，也适合作为相关专业研究人员的参考书。

近年来，各个学校陆续开设了丰富多彩的社团活动。其中，人工智能的学习被广为关注，对应地，各个学校采购了五花八门的设备，开始了人工智能的推广。为了构建系统化、生态化的人工智能学习环境，本书选择掌控板作为载体，推广编程教育，介绍人工智能应用。本书作为科创教育丛书人工智能系列中学版图书，选取9个项目从自然语言处理、图像识别、物联网、机器学习这4个应用方向展开，循序渐进地介绍了掌控板、掌控板配套硬件、AI摄像头2.0和mPython软件的主要使用方法。本书适合对掌控板及其编程环境有一定了解的小学高年级学生或中学生使用，书中所选项目适宜在学校社团活动中开展。

近年来，各个学校陆续开设了丰富多彩的社团活动。其中，人工智能的学习被广为关注，对应地，各个学校采购了五花八门的设备，开始了人工智能的推广。为了构建系统化、生态化的人工智能学习环境，本书选择掌控板作为载体，推广编程教育，介绍人工智能应用。本书作为科创教育丛书人工智能系列小学版图书，从新课标对学科融合的要求出发，以学校主要学科的教学实施作为场景，通过8个项目的学科融合，循序渐进地介绍掌控板、软件编程和mPython软件的主要使用方法，并讲解语音识别和语音合成这两种人工智能技术的基础应用。本书主要面向小学，适合编程技术的初学者，书中所选项目适合在小学社团活动中开展。

本书阐述弱监督目标检测的建模理论、优化方法和实际应用，主要内容包括弱监督目标检测的任务定义、现有弱监督目标检测算法简介和问题呈现、最小熵隐变量模型方法的建模、连续优化多示例学习方法和弱监督目标检测算法在X射线安检场景中的应用。其中的主要问题包括弱监督目标检测的定位稳定性建模、弱监督学习的非凸优化方法，以及弱监督学习在实际应用场景中的部署等。

本书作为人工智能专业的入门书，带领读者初步学习和实践机器学习、深度学习的算法、流程和核心技术，并介绍了系统开发及开发环境，通过图解的方式将难懂的专业术语和算法表现出来，让没有相关专业基础的读者能够轻松入门。同时，本书还介绍了一些比较常用的网站网络服务，让读者能够学以致用。本书适合人工智能领域入门读者，也适合对人工智能感兴趣的其他领域读者学习。

本书阐述了大数据归约（或称数据归约）的背景与作用、数据归约的知识体系及本体模型、大数据维度归约、大数据元组归约、大数据数值归约、大数据归约效果评估和大数据归约系统架构等理论方法及关键技术。本书共7章， 第1章介绍大数据归约在数据预处理中的作用以及面临的技术挑战；第2章介绍多维数据归约的知识体系、业务领域本体和归约任务本体；第3章介绍大数据特征选择策略和评价准则，以及两阶段混合型特征选择的维归约方法；第4章介绍大数据元组相似性度量和快速归约方法；第5章介绍大数据数值归约基本方法和基于约束转变的数据立方体计算技术；第6章介绍大数据归约效果评估指标及基于用户兴趣度的评估方法；第7章介绍基于本体的大数据归约系统体系架构，以及归约工作流模式挖掘和优化等关键技术。本书可作为计算机科学与技术、数据科学与大数据技术等相关学科专业的本科生或研究生教材，也可作为大数据工程相关领域科研人员的参考书。

PyTorch是一个开源的机器学习框架，它提供了动态计算图的支持，让用户能够自定义和训练自己的神经网络，目前是机器学习领域中非常流行的框架之一。本书基于PyTorch 2.0，详细介绍深度学习的基本理论、算法和应用案例，配套示例源代码、PPT课件。 《PyTorch 2.0深度学习从零开始学》共分15章，内容包括PyTorch概述、开发环境搭建、基于PyTorch的MNIST分类实战、深度学习理论基础、MNIST分类实战、数据处理与模型可视化、基于PyTorch卷积层的分类实战、PyTorch数据处理与模型可视化、实战ResNet卷积网络模型、有趣的Word Embedding、基于循环神经网络的中文情感分类实战、自然语言处理的编码器、站在巨人肩膀上的预训练模型BERT、自然语言处理的解码器、基于PyTorch的强化学习实战、基于MFCC的语音唤醒实战、基于PyTorch的人脸识别实战。 《PyTorch 2.0深度学习从零开始学》适合深度学习初学者、PyTorch初学者、PyTorch深度学习项目开发人员学习，也可作为高等院校或高职高专学校计算机技术、人工智能、智能科学与技术、数据科学与大数据技术等相关专业的教材。