本书在简要介绍人工智能发展历程、世界各国人工智能战略规划之后，重点围绕人工智能安全主题，提出人工智能安全体系架构，讨论了人工智能助力安全、人工智能内生安全、人工智能衍生安全等相关内容，并深入研究了人工智能安全伦理准则。本书还详细分析了人工智能行为体及其可能引发的安全问题，提出了人工智能保险箍的解决方案，并给出了人工智能行为体的安全评估与检测方法。本书最后还探讨了人工智能的前沿技术，以及人工智能安全的未来发展趋势。本书适合人工智能及安全领域的研究人员、管理人员以及广大爱好者阅读。

TensorFlow是2015年年底开源的一套深度学习框架，也是目前最活跃的深度学习框架之一。《TensorFlow深度学习及实践》从深度学习的基础讲起，深入TensorFlow的基本框架、原理、源代码和实现等各个方面，其目的在于降低学习门槛，为读者解决问题提供详细的方法和指导。《TensorFlow深度学习及实践》主要内容包括：人工智能简介，TesnorFlow的环境搭建、可视化、基础知识、聚类分析、回归分析、支持向量机，TensorFlow实现卷积神经网络、循环神经网络、深度神经网络等。 《TensorFlow深度学习及实践》适合作为对深度学习感兴趣的初学者的参考用书，也适合作为人工智能、计算机等相关专业深度学习课程的教材。

随着脑科学和认知神经科学的兴起与发展，以人类为中心的认知与智能活动研究，脑科学已经进入发展新阶段，而产品设计与人类认知和智能关系密切。随着脑科学的发展，研究者们开始关注更科学、更适合人类的产品设计。视觉研究是脑认知中不可或缺的一个重要组成部分，但是当前关于视觉的研究普遍地将视野局限在中心，对于周边视野的认知机制尚未完善。本书从人们对于不同刺激的形状、颜色等特征的相关，首先介绍了一套可以120°呈现图像刺激的、在功能核磁共振设备中应用的宽视野成像系统。此系统的研发使得关于人类视觉的研究更加接近客观世界，得出的结论也更具有指导意义。之后，利用这套成像设备进行在宽视野的条件下，人脑对不同种类刺激在不同偏心角度的认知偏好的研究。得出在宽视野的条件下，侧视觉皮质区域对不同的刺激种类具有偏心角度的偏好性的结论。探寻在宽视野的条件下，人脑在不同任务下的激活模式，为人类视觉认知研究、为设计学提供有力的数据支撑。

无论你是一名渴望进入人工智能世界的软件工程师，一名经验丰富的数据科学家，还是一名怀揣创造下一个人工智能爆款应用伟大梦想的业余爱好者，你可能都想知道从哪里开始深度学习。这本循序渐进的指导书会教你如何通过实际动手操作的方式为云计算、移动端、浏览器和边缘设备构建实用的深度学习应用程序。

本书通过正在学习机器学习的程序员绫乃和她朋友美绪的对话，结合回归和分类的具体问题，逐步讲解了机器学习中实用的数学基础知识。其中，重点讲解了容易成为学习绊脚石的数学公式和符号。同时，还通过实际的Python 编程讲解了数学公式的应用，进而加深读者对相关数学知识的理解。

《机器学习中的基本算法》共八章.第1章和第2章简要介绍了机器学习的基本概念、研究内容、算法体系，以及相关的优化理论与优化算法.第3章和第4章详细介绍了几类作为分类器和回归器的支持向量机算法，包括算法出发点、建模思想、理论推导和算法在数据分类、识别、拟合、预测等方面的应用.第5章和第6章着重介绍了两类常用的数据预处理方法，一类是数据的特征提取方法，另一类是数据的聚类方法.第7章和第8章介绍了几类常用的神经网络算法和数据相关分析算法.　《机器学习中的基本算法》可用作数据科学与大数据技术、人工智能与云计算、计算机科学与应用、数学与应用数学等本科专业中机器学习课程的教材，也可用作相关或相近学科研究生的参考教材.

知识图谱作为当前人工智能的重要方向之一，不仅被实验室的研究者关注，更被各行各业的商业应用所关注。知识图谱是一个古老而又崭新的课题，是知识工程在新时代的新形态。智能离不开知识。知识始终是人工智能的核心之一。本书按照知识表示、知识库构建、知识推理和知识应用的基本脉络，全面介绍有关知识图谱的前沿技术。为便于理解和融会贯通，本书也对相关 NLP与机器学习的基本知识与知识图谱的经典传统方法进行了适当描述。本书既可作为人工智能领域研究人员的技术参考书，也可作为高等院校相关专业师生的教学参考书。

本书共11章，主要内容包括深度学习简介、Python基础、神经网络基础、卷积神经网络、经典卷积网络结构、迁移学习、循环神经网络、强化学习、深度强化学习、基于策略的算法更新与趋势等，通过具体案例，将Python语言、深度学习思想、强化学习思想和实际工程完美地结合起来。本书由浅入深，从易到难，各章节既相对独立又前后关联，其*大的特点就是打破了传统书籍的讲解方法，在介绍各部分理论基础的同时，搭配具体实例，通过对相关程序的详细讲解进一步加深对理论基础的理解。

第1章介绍了 PyTorch 进行深度学习的方法以及 PyTorch 的基本 API；第2章通过构建一个简单神经网络，演示如何将神经网络、优化器和参数更新联接在一起，构建简单深度学习模型；第3章深入探讨深度学习工作流实现以及帮助构建工作流的 PyTorch 生态系统；第4章介绍基于CNN的应用；第5章介绍主要RNN组件；第6章简要地论述了生成网络的历史，然后解释了不同种类的生成网络；第7章介绍了强化学习；第8章探讨不同的生产部署选项。

将深度学习方法应用于各种自然语言处理任务可以将你的计算算法在速度和准确性方面提升到一个全新的水平。《基于深度学习的自然语言处理》首先介绍自然语言处理领域的基本构件，接着介绍使用先进的神经网络模型可以解决的问题。深入研究各种神经网络架构及其特定的应用领域将有助于你理解如何选择模型来满足你的需求。随着学习的深入，你将学到卷积神经网络、循环神经网络、递归神经网络以及长短期记忆网络。在后面的章节中，你将能够使用自然语言处理技术（如注意力机制模型和集束搜索）开发应用程序。学完《基于深度学习的自然语言处理》，你不仅能具备自然语言处理的基础知识，还能选择文本预处理和神经网络模型来解决一些自然语言处理的问题。了解深度学习问题的各种预处理技术。用word2vec和GloVe构建文本的矢量表示。使用Apache OpenNLP创建命名实体识别器和词性标注器。在Keras中构建机器翻译模型。用LSTM开发文本生成应用程序。使用注意力模型构建触发词检测应用程序。