人工智能技术发展和行业应用已成为当前人们关注的热点之一，人工智能第三次浪潮加速了全球生产生活方式的转变和行业变革，催生了诸如智慧城市、智慧农业、智慧医疗、智慧教育、智慧工厂、智能交通、智力游戏等新兴行业的蓬勃发展。本书面向人工智能相关领域的初学者，系统介绍人工智能领域当前流行的相关工具包和深度学习框架，使读者在简单了解人工智能技术的基础上，就可以借助软件工具包自行动手编写代码，解决基本的模式识别问题， 并通过不断拓展，由点到面，由易到难，逐步学会分析和解决实际行业问题，为踏入人工智能领域打好基础。本书首先讲授Numpy、Pandas、Matplotlib等人工智能工具包的特点和使用方法，使读者系统掌握对各种数据的生成、载入、处理和展示等操作，然后在此基础上系统介绍机器学习工具包Sklearn的特点和使用方法，最后重点介绍Pytorch等深度学习框架的使用方法，以及在计算机视觉、自然语言处理以及语音处理中的应用。本书可以作为人工智能相关专业研究生、本科生、高职生的入门实验教学教材，还可为对人工智能技术有兴趣的初学者提供一个学习和实践的参考材料，也可供相关领域的工程技术人员参阅。

本书比较全面、系统地介绍了深度强化学习的理论和算法，并配有大量的案例和编程实现。全书核心内容可以分为3部分，第一部分为经典强化学习，包括第2、3、4章，主要内容有动态规划法，蒙特卡洛法、时序差分法；第二部分为深度强化学习，包括第6、7、8章，主要内容有值函数近似法、策略梯度法、策略梯度法进阶；第三部分重点介绍了深度强化学习的经典应用——AlphaGo系列算法。另外，作为理论和算法的辅助，第1章介绍了强化学习的模型，第5章简单介绍了深度学习和PyTorch编程框架。 本书可以作为理工科大学相关专业研究生的学位课教材，也可以作为人工智能、机器学习相关专业高年级本科生的选修课教材，还可以作为相关领域学术研究人员、教师和工程技术人员的参考资料。

《视觉语言交互中的视觉推理研究》的作者牛玉磊博士于2020年在中国人民大学取得博士学会，后前往美国哥伦比亚大学开展博士后研究工作。本书从知识建模和知识推断两方面入手，深入研究了视觉语言交互任务中的视觉推理问题。《视觉语言交互中的视觉推理研究》共五章：第1章主要介绍了计算机视觉与自然语言处理交叉领域中交互类问题的研究背景，并分别从单轮交互、多轮交互、知识偏差三个角度选取了指称语理解、视觉对话、视觉问答三个经典任务展开讨论。第2章主要介绍了单轮交互情形的代表性视觉推理任务，即指称语理解问题，提出了变分背景框架，根据视觉图像和指称语文本的联系及视觉物体之间的关系提取语义背景信息，并根据背景信息对指称语进行定位。第3章介绍了多轮交互情形的代表性视觉推理任务，即视觉对话问题，提出了递归注意力机制，通过视觉指代消解的思想对图像、对话和问题之间的联系进行建模，优化视觉表示。第4章介绍了知识偏差情形的代表性视觉推理任务，即视觉问答问题，基于因果推理提出了反事实视觉问答框架，在训练环境和测试环境的答案分布不一致情况下，通过因果效应的视角提取并去除语言偏差。第5章对本书进行了总结，并对未来研究方向进行了展望。

本书首先带领读者体验一个当前著名的经典元宇宙项目Decentraland，让读者直观地了解元宇宙是什么样子，然后深入浅出地解析元宇宙的五大底层构造逻辑，包括元宇宙的时空逻辑、元宇宙的社会逻辑、元宇宙的经济逻辑、元宇宙的治理逻辑，以及元宇宙的发展逻辑。本书全面整理了元宇宙赖以发展的前沿技术及其背后的驱动规律，适合元宇宙领域的从业者、元宇宙项目的技术带头人和创业团队，元宇宙产业政策的制定者，以及对元宇宙感兴趣、希望深入理解元宇宙到底是什么的广大读者阅读。

三维点云处理技术广泛应用在逆向工程、CAD/CAM、机器人学、测绘遥感、机器视觉、虚拟现实、人机交互、无人驾驶和元宇宙等诸多领域。点云配准作为三维视觉领域的一个重要分支，已有40多年的发展历史，本书则系统性地对近些年来已经成熟的算法和工具进行梳理和总结。全书分两部分，第一部分为硬核技术篇（第1~4章），详细介绍了点云配准概念、应用领域，以及点云配准必要的数理知识，最后对点云配准过程中相关关键步骤（如关键点提取、特征描述等）所涉及的经典算法进行理论与实战的多维展示，为读者深入了解复杂配准算法做好前期理论与技术储备工作。第二部分为算法应用篇（第5~6 章），涵盖了十几个开源的刚性与非刚性配准经典算法，从算法原理、理论基础、技术实现、应用案例及优缺点等方面进行详细介绍，以算法的源码实现分析来帮助读者搞清楚每一个算法的细节与计算过程。最终通过算法的应用案例分析，让读者从理论、技术和应用层面重新评价与认识每一个算法，助力产业界的读者快速将相关技术应用落地，学术界的读者快速系统地完成入门与提升。随书附赠程序源代码、案例高清效果图和结果视频，以及授课用PPT，力求从多个角度提升读者阅读体验和知识含量。本书可作为科研人员和公司产品开发工程师的参考指南，也可作为计算机图形学、机器人学、遥感测量、虚拟现实、人机交互、CAD／CAM逆向工程等领域相关专业的高年级本科生、研究生的学习手册。

《机器学习中的标记增强理论与应用研究》由东南大学计算机科学与工程学院助理研究员徐宁撰写。全书聚焦标记端多义性这一当今机器学习领域的热点问题，针对学习过程中不可避免的信息损失这一突出问题，提出了标记增强的概念，以期在不增加额外数据标注负担的前提下，挖掘训练样本中蕴含的标记重要性差异信息，将逻辑标记转化为标记分布。《机器学习中的标记增强理论与应用研究》共六章：第1章绪论，介绍了全书的研究背景和研究内容。第2章标记增强研究进展，介绍了标记增强的研究进展。第3章标记增强理论框架，构建了标记增强的理论框架。第4章面向标记分布学习的标记增强，提出了面向标记分布学习的标记增强。第5章标记增强在其他学习问题上的应用，将标记增强应用到其他学习问题上。第6章总结与展望，总结现有工作，并在此基础上进行展望。

暂缺简介...

本书通过Excel示例介绍常用的机器学习算法和数据挖掘技术。许多机器学习任务的目的是找到数据中的隐藏模式。Excel能够清楚地展示机器学习建模过程的每一步及中间结果，让你不仅知其然，还知其所以然。第1章解释用Excel学习机器学习的益处。第2～12章分别介绍线性回归、k均值聚类、线性判别分析、交叉验证、logistic回归、k最近邻、朴素贝叶斯分类、决策树、关联分析、神经网络、文本挖掘。第13章总结全书内容，并为读者指出继续学习的方向。

本书讲解了经典的高级机器学习算法原理与知识，包括常见的监督学习、无监督学习、概率图模型、核方法、深度神经网络，以及强化学习等内容，同时更强调动手实践。所有算法均利用PyTorch计算框架进行实现，并且在各章节配备实战环节，内容涵盖点击率预估、异常检测、概率图模型变分推断、高斯过程超参数优化、深度强化学习智能体训练等内容。 本书附赠所有案例的源代码及各类学习资料来源，适合具有一定编程基础的人工智能爱好者学习，也是相关从业者和研究人员的学习指南。

本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程知识及预备知识中描述的线性代数、微分和概率等基础知识。