《机器学习及其应用》比较系统地介绍机器学习的基础理论与应用技术。首先，介绍掌握机器学习理论和方法所必须具备的基础知识，包括机器学习的基本概念与发展历程、模型构造与优化的基本方法；然后，介绍和讨论监督学习、无监督学习、集成学习、强化学习等传统机器学习理论与方法；在详细探讨神经网络与深度学习基本理论的基础上，介绍深度卷积网络、深度循环网络、生成对抗网络等若干典型深度学习模型的基本理论与训练范式，分析讨论深度强化学习的基本理论与方法。《机器学习及其应用》站在高年级本科生和低年级硕士研究生的思维角度编写，尽可能用朴实的语言深入浅出地准确表达知识内容，着重突出机器学习方法的思想内涵和本质，使得广大读者能够掌握全书主要内容。 《机器学习及其应用》每章均配有一定数量的习题，适合作为智能科学与技术、数据科学与大数据技术、计算机类相关专业的本科生或研究生的机器学习入门级教材，也可供工程技术人员和自学的读者学习参考。

本书由四篇共１７ 章组成 篇是基础理论篇 共九章（第１ ~ ９ 章）从整 体角度介绍人工智能的基本概念与基础理论 第二篇是应用技术篇 共四章（第 １０ ~１３ 章）介绍人工智能基础理论与相关分支领域相融合所产生的新技术 第 三篇是应用篇 共三章（第１４ ~１６ 章）介绍智能产品的开发及目前广为流行的四 种应用实例 第四篇是展望篇 共一章（第１７ 章）对人工智能学科今后发展提出 建议和看法。 在本书的编写中坚持三项原则：教材的现代性，即新的技术路线与新的体系， 并形成新一代人工智能技术，教材的应用性，即更加关注人工智能与其他学科、领 域的融合，将人工智能应用到多个行业中去，教材的引导性，即坚持教材的入门与 引导作用 本书的出版在一定程度上填补了新一代人工智能教材的空白 本书适合作为人工智能、计算机类专业及相关专业“人工智能”课程教材及培 训教材，也可作为人工智能应用、开发人员的基础读物。

本书系统地论述了模式识别基本概念、算法及应用，体现了传统模式识别内容与当前新发展的结合与补充。全书包括三部分内容，共15章。第一部分共7章，主要介绍了经典模式识别方法，着重讨论监督学习，即已知训练样本及其类别条件下分类器的设计方法，然后介绍了无监督模式识别，后讲解了模式识别系统中，特征提取和特征选择的准则和算法；第二部分共3章，主要介绍了现代模式识别方法，包含支持向量机、组合分类器以及半监督学习; 第三部分共5章，主要介绍了深度学习模式识别方法， 从现有的深度神经网络出发，讲解了强化学习、宽度学习、图卷积神经网络等模式识别方法。以实例的形式给出模式识别在各个领域中的应用，使读者对模式识别方法有更直观的认识。 本书可作为高等院校模式识别、计算机科学与工程、控制科学与工程、智能科学与技术等相关专业研究生或本科生的参考用书，也可为人工智能、计算机科学、控制科学领域的研究人员提供参考。

本书以简明的方式系统地论述了人工智能的基础知识及其拓展和应用。全书共16章，前10章介绍人工智能学科的基础知识，包括人工智能的发展历史、知识的表示、搜索策略、确定性推理、不确定性推理、专家系统、神经网络、智能计算、机器学习和模式识别；接下来5章进行了拓展，讲述了混合智能系统和表示学习，还介绍了神经网络在模式识别和图像处理中的应用、自然计算在聚类上的应用，并介绍了多目标优化算法及动态多目标优化；最后一章介绍了人工智能领域的前沿技术及其展望。每章都附有习题、延伸阅读和参考文献。 本书可作为高等院校智能科学与技术、计算机科学、电子科学与技术、信息科学、控制科学与工程、模式识别与人工智能等专业本科生及研究生的教材，同时可为相关领域的研究人员以及对自然计算和神经网络及其应用感兴趣的工程技术人员提供参考。

本书是一本针对高校学生的**TensorFlow学习教材。作者结合众多高质量的代码，生动讲解了TensorFlow的底层原理，并从实际应用问题入手，从实践的角度出发，通过具体的TensorFlow案例程序介绍常见的模型和应用解决办法。同时，在教材中还介绍了模型部署和编程过程中所用到的诸多开发技巧。是学习和掌握人工智能这个*新、*火的IT领域的推荐图书。

本书在总结自然计算领域主要理论研究和实际应用成果的基础上，着重对近年来量子计算智能领域常见的理论及技术进行了较为全面的阐述，并结合作者多年的研究成果，对相关理论及技术在应用领域的实践情况进行了展示和总结。全书从优化和学习两个方面展开，分为八章，主要内容包括进化计算、群体智能算法、量子进化计算、量子粒子群优化，以及基于量子智能优化的数据聚类、数据分类、网络学习和相关应用。 本书可为人工智能、计算机科学、信息科学、自动化技术等领域及其交叉领域中从事量子计算、进化算法、机器学习及相关应用研究的技术人员提供参考，也可作为相关专业研究生和高年级本科生的教材（其中前四章为基础理论，适合本科生使用，后四章为高阶算法，适合研究生使用）。

本书对计算智能的诸多基础理论进行了详细的介绍和释义，并介绍了神经网络、模糊系统、进化计算的应用范例以及实验结果，将理论与实践紧密联系起来。全书共4章，其中，第1章对人工智能的萌芽、诞生和发展，以及现状和未来进行了简要介绍；第2章为进化计算，论述了遗传算法、蚁群算法、粒子群算法，以及免疫克隆算法；第3章为模糊逻辑，介绍了模糊理论基础，论述了常见的模糊隶属度函数以及模糊集合常用的算子，并对模糊关系及运算、模糊推理进行了详细介绍；第4章为人工神经网络，论述了人工神经网络的特点、生物学基础及其发展与应用。 本书可供计算机科学、信息科学、人工智能、自动化技术等领域及其交叉领域中从事量子计算、进化算法、机器学习及相关应用研究的技术人员参考使用，也可作为相关专业研究生和高年级本科生的教材。

本书生动讲述了华尔街宽客及其运用量化交易技术驰骋于投资领域的故事，同时介绍了人工智能在投资领域的发展。全书分为三部分。第一部分介绍了开创量化交易的几个人物。第二部分结合作者在华尔街对冲基金公司与投资银行的工作经历，描述了宽客的职场生活和竞争压力。第三部分剖析并展望人工智能在投资领域的应用发展趋势，以此帮助读者更好地了解这个行业的未来动向。

以平实的语言风格讲解强化学习和深度学习的结合，以及他们在Pytorch上的应用。内容将从几个方面来进行落实，一个是原理，一个是相关论文的精讲，一个是工程实现，是一本脉络清晰，内容详实的科普读物。本书第一章到第五章，讲的是传统强化学习的研究目标与脉络，主要讲的是从一个程序员的角度怎么理解强化学习过渡为轻松，侧重理解方式的诱导。第六章到第十一章，是本书的核心内容，讲的是深度学习的原理，Pytorch框架的基本知识，以及深度强化学习的常用算法模型。第十二章到第十五章，讲的是扩展性的知识，例如其它帮助我们训练模型的算法思路，第三方工具插件，可供实验的环境，以及比较有趣的强化学习算法和观点，甚至还包括模型落地中的优化与压缩。

本书首先介绍课程的基本概念、基础理论与研究内容、研究方法，包括课程的设计原则与评价标准，再通过若干典型实验介绍和验证人机工程学中与设计相关的通识性基础知识，然后以不同产品类型为主题，从不同角度举例说明这些经过实验的基础知识在“实践性”设计中的综合应用。并为适应不同设计方向对课程内容的差异化要求提供相应的信息、资料和课程作业案例，作为个性化需求的补充。