本书针对当前火热且应用前景广阔的自然语言处理（NLP），介绍了深度学习的技术原理及其在自然语言处理中的应用；简要分析了该领域各个应用方向上的相关模型和关键技术，包括Transformer、BERT、GPT，等等；汇集了众多论文中的重要思想和研究成果；系统梳理了技术发展脉络。此外，本书还介绍了如何使用深度学习技术来训练模型，并分析了其在应用中的表现及优化手段，以帮助读者更好地将理论应用于实践。本书内容通俗易懂，可作为入门自然语言处理的参考书。

本书系统地介绍了机器学习系统的设计原则和实践经验，侧重于介绍机器学习的原理、神经网络和优化器、自动差分算法、机器学习系统编程模型、控制流和数据流，异构硬件加速器的原理和编程、数据流图编译器前端、数据流图编译器后端、数据准备和增强、模型部署相关技术、分布式训练、弹性训练、联合训练和评估平台、调试和优化工具、数据隐私和安全等。在讲授的过程中，本书将根据MindSpore的自身特点，在各个章节突出讨论MindSpore的优势点，从而将MindSpore并列为与TensorFlow，PyTorch的三大框架。

VEX机器人竞赛旨在拓展参赛者对于科学、技术、工程和数学的兴趣，提升参赛者解决实际问题的能力，培养团队协作精神，是一个非常典型的STEM实践案例。《VEX EDR从入门到精通》立足于VEX机器人竞赛，介绍了VEX EDR机器人的硬件、软件及结构知识，同时给出2020—2021赛季竞赛手册，帮助读者了解VEX机器人竞赛的具体要求和赛事规则。

本书的内容章节分为四个部分，从技术原理到项目实践再到商业战略，逐层放开视野。内容涉及基于人工智能技术在产业中做创新业务的方法论，通过交流“思想”和“应用方法论”，使大家掌握机器学习的深层次思想，并理解商业、产品和技术的深层关系。

内容：本书构建了包括城市轨道交通常态与非常态场景下车站级和网络级短时进站流预测、短时OD流预测、短时断面流预测、以轨道交通为骨干的多模式交通短时客流预测、基于计算机视觉的轨道交通站内关键设施处短时客流预测等在内的一整套智能城市轨道交通短时客流预测体系。具体章节内容安排如下：第1章为绪论。第2章为城市轨道交通车站级常态短时进站流预测。第3章为城市轨道交通网络级常态短时进站流预测。第4章为城市轨道交通车站级与网络级非常态短时进站流预测。第5章为城市轨道交通车站级与网络级短时OD流预测。第6章为城市轨道交通网络级短时断面流预测。第7章为以轨道交通为骨干的多模式交通短时客流预测。第8章为基于计算机视觉的城市轨道交通站内短时客流预测。 读着对象：本书主要面向城市轨道交通运营管理部分科研人员，广大从事交通大数据分析、机器学习或深度学习的专业人员，从事高等教育的专任教师，高等院校的在读学生及相关领域的广大科研人员，可作为各高等院校交通运输、交通工程等专业的本科生和研究生教材。 特色：随着大数据、人工智能等技术的兴起，利于人工智能方法进行短时客流预测的研究兴起，然而目前国内鲜有利用人工智能方法针对城市轨道交通进行短时客流预测的专著，本书为当前鲜有的利用人工智能进行城市轨道交通短时客流预测方法的专著，构建了一整套包括城市轨道交通常态与非常态场景下车站级和网络级短时进站流预测、短时OD流预测、短时断面流预测、以轨道交通为骨干的多模式交通短时客流预测、基于计算机视觉的轨道交通站内关键设施处短时客流预测等在内的一整套智能城市轨道交通短时客流预测体系。

《深度序列模型与自然语言处理：基于TensorFlow2实践》以自然语言和语音信号处理两大应用领域为载体，详细介绍深度学习中的各种常用序列模型。 在讲述理论知识的同时辅以代码实现和讲解，帮助读者深入掌握相关知识技能。 《深度序列模型与自然语言处理：基于TensorFlow2实践》共12章，不仅涵盖了词向量、循环神经网络、卷积神经网络、Transformer 等基础知识，还囊括 了注意力机制、序列到序列问题等高级专题，同时还包含其他书籍中较少涉及的预训练语言模型、生成 对抗网络、强化学习、流模型等前沿内容，以拓宽读者视野。 《深度序列模型与自然语言处理：基于TensorFlow2实践》既适合互联网公司算法工程师等群体阅读，又可以作为本科高年级或研究生级别的自然语言处 理和深度学习课程的参考教材。

《细说机器学习：从理论到实践》从数学知识入手，详尽细致地阐述机器学习各方面的理论知识、常用算法与流行框架，并以大量代码示例进行实践。本书内容分为三篇：第一篇为基础知识，包括机器学习概述、开发环境和常用模块、特征工程、模型评估、降维方法等内容。本篇详细而友好地介绍机器学习的核心概念与原理，并结合大量示例帮助读者轻松入门。第二篇为算法应用，涵盖机器学习最重要与高频使用的模型，包括K-Means聚类、K最近邻、回归、决策树、朴素贝叶斯、支持向量机、神经网络等内容。本篇不仅详细讲解各个算法的原理，还提供大量注释详尽的代码示例，使这些算法变得直观易懂。第三篇为拓展应用，包括集成学习、深度学习框架TensorFlow与PyTorch入门、卷积网络、激活函数以及模型微调与项目实战。本篇内容更加前沿与高级，带领读者跨过机器学习的门槛，进行真实项目的实践与部署。 《细说机器学习：从理论到实践》内容丰富、系统且实用，大量相关代码示例贴近实战，能够为读者学习机器学习打下扎实的基础，并真正掌握运用这些知识与算法解决实际问题的技能。适合机器学习入门者、大学生、人工智能从业者，以及各行业技术人员和科研人员使用，也可作为培训机构和大专院校人工智能课程的教学用书。

随着人工智能技术的成熟，图像语义分割方法迎来了飞速发展的机会。语义分割是一种像素级的预测任务，基于全卷积神经网络（FCN）的分割方法，为了获得较高的分割精度，需耗费大量的计算资源。然而随着自动驾驶和移动终端需求的日益增长，在分割精度和分割速度之间进行平衡显得尤为重要，如何在计算力有限的设备上应用语义分割技术、减少计算量、提高运行速度更是成为当前研究的热点。鉴于此，本书以遥感领域作为应用场景，从视觉注意力机制和特征融合的角度，探索轻量级实时语义分割模型算法，在兼顾精度与速度的同时，实现快速准确的语义分割。本书主要研究内容如下。第一，对目前表现突出的卷积神经网络进行梳理。首先，分析卷积神经网络的基础结构及训练过程，阐述经典的卷积神经网络分类模型；其次，剖析语义分割算法中常见的分割网络结构特性，包括对称的编码 -解码结构，使用空洞卷积、深度可分离卷积、空洞空间金字塔池化（ASPP）等的扩张卷积核，轻量级语义分割法等，确立本书网络模型的设计思路，即采用编码 -解码结构，基于轻量级语义分割网络（ENet）来设计网络架构。第二，针对高分辨率遥感图像分割速度较慢，提出一种改进 ENet的实时语义分割模型 SE-ENet。该模型适当剪枝压缩 ENet网络结构，修改ENet网络中的瓶颈结构（Bottleneck）模块，下采样阶段交叉使用多种卷积核，实现各模块的轻量化，具备参数少、计算量低的特点，可实现快速图像分析处理；而融合至模型中的注意力机制，通过压缩和激励操作来重新标定特征通道的权重，增强有益特征权重，深度有序挖掘遥感数据集中的图像特征，保证语义分割的准确性。通过对 3种不同数据集的仿真分析表明，基于 ENet和注意力机制的语义分割网络模型能够较快地实现图像语义分割效果。第三，构建高分辨率遥感图像语义分割数据集，对数据集进行预处理、数据增强后，数据集扩充至 10万余张图像，为相关实验的训练与评估研究提供数据支撑。第四，基于特征融合策略对 SE-ENet模型进一步优化，将下采样模块间的特征图密集连接，生成优化后的网络模型 EFSE-ENet，通过融合浅层和高层的表征信息以获得准确精细的分割结果；实验时适当修改损失函数，增加小类别样本权重，调整学习率衰减方式以提升实验效果，并在DeepGlobe Road Extraction大型数据集上进一步验证模型的泛化能力，证明了其在保持一定精度的条件下可以达到实时分割的效果，兼具高效性。在本书撰写过程中，晋中学院计算机与信息工程系的领导和老师们给予了大力支持和帮助，在此表示衷心感谢！

暂缺简介...

针对海量、动态、多维、异构的高分辨率卫星遥感观测数据，通过对高分辨压缩信息的获取（“感”），建立多尺度几何分析的建模（“知”），完成特征的学习和分析（“用”），从而提高对地观测系统的综合利用能力，这已成为遥感技术发展的必然趋势。全书共十五章，系统地论述了遥感脑的理论基础、感知与解译应用及遥感脑系统。第一至第四章主要介绍遥感技术和类脑启发的研究背景及意义，压缩感知基础、遥感成像机理与特性、深度神经网络的最新进展等；第五至第十二章主要介绍作者团队在遥感脑感知与解译两方面的具体相关应用成果；第十三至第十四章主要介绍作者团队研发的遥感脑系统；第十五章主要是展望和总结该领域的主要公开问题。以此抛砖引玉，希望本书能为读者呈现出遥感脑理论和应用等较为全面的脉络、趋势和图景。本书适应于涉及深度学习和图像处理类高年级本科生、研究生，以及广大科技工作者。