《百面机器学习 算法工程师带你去面试》 人工智能领域正在以超乎人们想象的速度发展，本书赶在人工智能彻底占领世界之前完成编写，实属万幸。 书中收录了超过100道机器学习算法工程师的面试题目和解答，其中大部分源于Hulu算法研究岗位的真实场景。本书从日常工作、生活中各种有趣的现象出发，不仅囊括了机器学习的基本知识，而且还包含了成为出众算法工程师的相关技能，更重要的是凝聚了笔者对人工智能领域的一颗热忱之心，旨在培养读者发现问题、解决问题、扩展问题的能力，建立对机器学习的热爱，共绘人工智能世界的宏伟蓝图。“不积跬步，无以至千里”，本书将从特征工程、模型评估、降维等经典机器学习领域出发，构建一个算法工程师必-备的知识体系；见神经网络、强化学习、生成对抗网络等新科研进展之微，知深度学习领域胜败兴衰之著；“博观而约取，厚积而薄发”，在末一章为读者展示生活中各种引领时代的人工智能应用。《百面深度学习 算法工程师带你去面试》 深度学习是目前学术界和工业界都非常火热的话题，在许多行业有着成功应用。本书由Hulu的近30位算法研究员和算法工程师共同编写完成，专门针对深度学习领域，是《百面机器学习：算法工程师带你去面试》的延伸。全书内容大致分为两个部分，第一部分介绍经典的深度学习算法和模型，包括卷积神经网络、循环神经网络、图神经网络、生成模型、生成式对抗网络、强化学习、元学习、自动化机器学习等；第二部分介绍深度学习在一些领域的应用，包括计算机视觉、自然语言处理、推荐系统、计算广告、视频处理、计算机听觉、自动驾驶等。本书仍然采用知识点问答的形式来组织内容，每个问题都给出了难度级和相关知识点，以督促读者进行自我检查和主动思考。书中每个章节精心筛选了对应领域的不同方面、不同层次上的问题，相互搭配，展示深度学习的“百面”精彩，让不同读者都能找到合适的内容。 本书适合相关专业的在校学生检查和加强对所学知识点的掌握程度，求职者快速复习和补充相关的深度学习知识，以及算法工程师作为工具书随时参阅。此外，非相关专业、但对人工智能或深度学习感兴趣的研究人员，也可以通过本书大致了解一些热门的人工智能应用、深度学习模型背后的核心算法及其思想。

本书深入研究了人工智能对法律制定、法律应用所带来的众多挑战，并在此基础上提出了相应的解决方案。第一部分探讨了规制人工智能的相关基础理论问题，并得出如下结论：在数据保护上，立法者有义务规范国家对数据的处理，规范人工智能的使用，从而尽可能保护基本权利。在个人自决上，应通过直接或间接的法律手段予以回应自动决策系统的巨大风险。在透明度上，建议借鉴相关不透明决策系统的规制经验。在反歧视上，需要从因果关系证明、弱势群体概念等内容出发，对法律进行部分调整。在法律人格上，当智能代理人承担类似老练仆人的功能时，就可以视为法律主体。第二部分从人工智能的具体应用领域出发，在具体场景中探讨人工智能的规制，并探讨了以下问题：在社交媒体中，越来越多地使用人工智工具所产生的法律问题。在法律科技中，重新构建法治并将其嫁接到技术之上的问题。在行政决定中，建立与机器学习算法相适应的内在规则问题。在智慧执法中，可问责性、非歧视以及法律执行问题。在金融市场中，人工智能技术的应用前景及其难题。在公共治理中，确定人工智能系统准则的问题。在税收程序中，从风险管理系统的角度研究完全自动化税收程序的问题。在医疗保健中，作为医疗器械的学习机器在监管中的角色、使用人工智能医疗系统时的医患关系及责任问题。在竞争法中，人工智能会产生的默契合谋、滥用市场支配地位以及卡特尔化的系统性倾向等问题。

暂缺简介...

云+AI+5G驱动的数字化转型实践之道全面、系统、深入地阐述了数字化转型的基本概念、技术框架、演进策略以及解决方案。云+AI+5G驱动的数字化转型实践之道不仅论述了从科技革命引发产业变革，到数字经济时代引发社会变革的发展脉络，还提出并阐述了以云计算、人工智能和5G技术应用为核心形成的“数字化力”，帮助读者建立起数字化转型的系统思维，产生认知飞跃，从而更好地完成企业的数字化转型与个人职业生涯规划。 全书由3篇共11章组成，第1篇包括第1章新科技革命引发产业革命，第2章数字经济时代已经到来，第3章数字化转型的概念、技术框架及意义；第2篇包括第4章云计算技术及解决方案，第5章信息安全技术及解决方案，第6章大数据技术及解决方案，第7章人工智能技术及解决方案，第8章5G技术加速产业变革和企业数字化；第3篇包括第9章企业数字化转型的策略与路径，第10章企业数字化转型向云演进案例，第11章企业数字化转型之信息安全实践案例。 云+AI+5G驱动的数字化转型实践之道内容兼顾普及性和专业性，理论、技术、策略与实践相结合，尽可能照顾不同层次的读者。云+AI+5G驱动的数字化转型实践之道不仅适合作为大专院校相关专业的教材，也可作为企业管理人员、CIO、CTO、IT从业人员、政府相关工作人员日常学习和工作的参考用书。

本书为一本Python初级入门教程，主要为初学者介绍了当前人工智能发展中使用最为广泛的计算机编程语言———Python语言的基础知识。 本书分Python语言基础篇和Python语言应用篇，介绍了Python语言的编写规范和Python的发展历史，同时还介绍了有关人工智能领域相关功能库的安装和使用方法，并提供了一些配套的实战练习。 本书与《人工智能基础与进阶》共同形成一套适合人工智能初学者的教材，同时也适合广大对人工智能相关领域感兴趣的读者。

本书全面系统地讲解了机器学习的理论与方法，内容主要包括高斯混合模型和EM算法、主题模型、非参数贝叶斯模型、聚类分析、图模型、支持向量机、矩阵分解、深度学习及强化学习。本书旨在使读者了解机器学习的发展，理解和掌握它的基本原理、方法与主要应用。本书内容丰富，着重机器学习理论的推导与证明，并通过实例进行方法的分析与比较。同时，本书强调机器学习的系统性、完整性和时效性，可读性强。

迁移学习解决的是系统如何快速地适应新场景、新任务和新环境的问题，在目标域中只有少量标记数据可用时，它赋予了机器学习系统利用辅助数据和模型来解决目标问题的能力。这使得机器学习系统更加可靠和健壮，并且让机器学习模型在面对不可预见的变化时尽可能达到预期的性能。在企业层面，迁移学习允许知识的重复利用，使得每次获得的经验可以重复地应用于现实世界。 本书为迁移学习方向首本算法、理论、应用方面成熟、成体系的总结，相关领域研究的系统性参考。为迁移学习领域的新加入者提供了坚实的基础，也为经验丰富的研究人员和开发人员提供了新的视野。 本书分为两部分。第1部分（第1～14章）介绍迁移学习的基础，其中第1章对迁移学习进行概述，第2～14章介绍迁移学习相关的各种理论和算法。第2部分（第15～22章）讨论迁移学习的许多应用领域。第23章是对全书的总结。

人工智能（Artificial Intelligence，AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。《人工智能基础与应用》以人工智能为主要研究对象，较全面地介绍人工智能的基本原理、常见算法和应用技术。全书共分为12章，主要内容包括绪论、知识与知识表示、自动推理与专家系统、搜索算法与智能计算、机器学习、深度学习、计算机视觉、自然语言与语音处理、智能机器人以及大数据与区块链、Python编程基础等。同时，为了便于读者自学，每章结尾附有小结与习题，便于读者进一步巩固所学知识。 《人工智能基础与应用》全面系统地介绍了人工智能的理论体系，在内容编排上不仅注重基本理论的讲述，而且以发展的眼光设计各章知识点和习题，引导学生去思考人工智能理论知识的应用与实践，使得理论学习更加生动直观，便于培养此类学生对人工智能理论的理解和应用能力。《人工智能基础与应用》面向高等院校管理学院的诸多专业，可作为高等院校经济管理类专业本科生人工智能课程要求重点掌握人工智能的基本理论知识、相关算法的初步实践操作以及Python编程基础的教材，也可作为成人教育和自学考试同名课程的参考教材，还可供从事人工智能领域研究、开发和应用的研究人员和工程技术人员阅读参考。 《人工智能基础与应用》配套的电子课件和课后习题参考答案可以到http：//www.tupwk.com.cn/downpage网站下载，也可以通过扫描前言中的二维码来下载。

《认知计算攻略使用Cognitive Services和TensorFlow》通过完整且真实的代码示例解决Al和机器学习问题。该书使用了一种从提出问题到给出解决方案的方式，以便通过提供诸如认知服务API、机器学习平台和库的工具组合来让日常开发人员都可以接触到深度学习和机器学习。《认知计算攻略使用Cognitive Services和TensorFlow》提供了同时期技术体系的概览，涵盖了机器学习和深度学习的业务用例。通过讲解诸如数字化助理、计算机视觉、文本分析、语音和机器人流程自动化的主题，提供一套全面的工其集以便让读者可以快速且容易地应用到自己的项目中。该书重点介绍的是Microsoft Cognitive Services的能力应用，讲解使用包括TensorFlow和CNTK在内的多种不同环境来实现的方案，以便让读者能够更宽泛地审视深度学习生态系统。

在《Python深度学习异常检测 使用Keras和PyTorch》这本通俗易懂的入门级指南的引导下，了解如何将深度学习应用于各种异常检测任务！《Python深度学习异常检测 使用Keras和PyTorch》浓墨重彩地描述如何利用Python中的Keras和PyTorch框架，将各种深度学习模型应用于半监督和无监督异常检测任务。《Python深度学习异常检测 使用Keras和PyTorch》开篇讨论异常检测的含义、用途和重要性。在介绍用Python的scikit-learn进行异常检测的统计和传统机器学习方法后，《Python深度学习异常检测 使用Keras和PyTorch》引入深度学习方法，详述如何在Keras和PyTorch中构建和训练深度学习模型，重点分析各类自动编码器、RBM、RNN、LSTM和TCN等深度学习模型在异常检测领域的应用。除了讲解基于时间序列的异常检测的基础知识外，《Python深度学习异常检测 使用Keras和PyTorch》还探索无监督和半监督异常检测的相关内容。学习《Python深度学习异常检测 使用Keras和PyTorch》后，你将全面了解异常检测的基本任务，掌握各种处理异常检测的方法（从传统方法到深度学习方法等）；还将了解scikit-learn的相关内容，能在Keras和PyTorch中创建深度学习模型。《Python深度学习异常检测 使用Keras和PyTorch》主要内容：了解异常检测的含义及其重要性熟悉利用scikit-learn进行异常检测的统计和传统机器学习方法借助Keras和PyTorch了解Python深度学习的基本知识掌握度量模型性能的基本数据科学概念：AUC、精确率和召回率等将深度学习应用于半监督和无监督异常检测