《检索匹配：深度学习在搜索、广告、推荐系统中的应用》主要介绍了深度学习在互联网核心的三大类业务（搜索、广告、推荐系统）检索系统中的应用。书中详细讲述了检索匹配的理论、演进历史，以及在业务中落地一个基于深度学习算法模型的全流程技能，包括业务问题建模、样本准备、特征抽取、模型训练和预测等，并提供了相应的代码。《检索匹配：深度学习在搜索、广告、推荐系统中的应用》共11章，分为四大部分。第1部分（第1~2章）介绍了深度学习的相关理论知识；第2部分（第3~6章）介绍了业务中如何上线一个深度学习模型，包括标签拼接、特征抽取、模型训练和预测等流程，采用单机实现；第3部分（第7~9章）介绍了检索算法基本理论以及演进历史，并以业内应用较为广泛的双塔模型DSSM为例进行了详细理论解析和代码实现；第4部分（第10~11章）介绍了如何将单机训练模式改造为分布式训练模式，以加快模型的训练速度，从而应对具有海量样本的业务场景。《检索匹配：深度学习在搜索、广告、推荐系统中的应用》为读者提供了全部案例源代码下载和超过180分钟的高清学习视频，读者可直接扫描二维码观看。《检索匹配：深度学习在搜索、广告、推荐系统中的应用》旨在为读者介绍深度学习在互联网业务中落地的方法和实现，主要面向算法工程师、相关领域研究人员和相关专业院校师生。

推荐系统是互联网时代极具商业价值的人工智能应用之一，30 年来持续受到学术界和工业界的广泛关注。本书作者以一线研发人员的视角和经验，对推荐系统进行总结，尝试从原理与实践两个角度为读者剖析推荐系统。本书首先从原理上介绍各类经典推荐算法及前沿的深度学习推荐算法，然后分析推荐系统领域发展的前沿话题和未来方向，最后结合微软的开源项目Microsoft Recommenders 介绍推荐系统的实践经验。读者可以基于本书提供的源代码，深入学习推荐算法的设计原理和实践方式，并可以基于本书从零开始快速搭建一个准确、高效的推荐系统。本书不仅适合互联网、大数据等相关领域技术人员阅读，也适合高等院校计算机、软件工程、人工智能等专业的本科生和研究生参考。

互联网是一个分布式系统，无线通信、云计算或并行计算、多核系统、移动网络也是如此。蚁群、大脑甚至人类社会都可以被建模为分布式系统。本书强调这些分布式系统中共同涉及的主题和技术，特别是强调分布式系统设计中的一些基本问题，涵盖通信、协调、容错性、本地性、并行性、打破对称性、同步化、不确定性等。

随着人们生活质量的提高，人体生理机能健康愈加地受到人们的重视，因此人体的生理机能评估也变得越来越重要。合理科学的生理机能评估对预防生理机能病变、保障人体健康尤为重要。《深度学习在生理机能中的应用》针对复杂的人体运动问题，探索一种基于几何代数的人体运动表征方法，并以机器学习、深度学习为方法，为分析人体运动提供有效的解决方案。《深度学习在生理机能中的应用》介绍了可变形卷积神经网络算法跟踪器、孪生框架SiamFC跟踪算法、人体姿态描述方法、人体姿态朝向描述符以及人体生理机能评估系统。

本书是针对研究生课程设计的，广泛概述了机器人、人工智能、心理学、社会学、伦理学和设计等多学科主题。本书提出了相关的背景概念，描述了机器人如何工作，如何设计它们，以及如何评估它们的性能。独立的章节讨论了广泛的主题。包括不同的交流方式，如语音和语言、非言语交流和情绪处理，以及当今和未来社会中机器人应用的伦理问题。

本书面向人工智能学科的前沿领域，系统地讨论了智能计算的原理与实现，比较全面地反映了智能计算研究和应用的*新进展。书中涵盖了支持向量机、混沌计算、蚁群算法、DNA计算、DNA遗传算法、人工免疫系统、萤火虫算法、蝙蝠算法、蛙跳算法、鱼群算法和其他一些算法及应用。全书提供了大量的实用案例，重点强调实际的应用和计算工具，这些对于智能计算领域的进一步发展是非常有意义的。 本书取材新颖、内容系统、深入浅出、材料丰富，理论密切结合实际，具有较高的学术水平和参考价值。 本书可作为人工智能、信息与通信工程、仪器科学与技术、计算机科学与技术等相关领域的科研人员及工程技术人员的参考书，也可作为研究生和高年级本科生开阔视野、增长知识的阅读材料。

人工智能被广泛应用和普及，极大地提高了人们学习和工作的效率。而要深入理解人工智能，必须全面理解底层各类机器学习算法的基本原理。只有全面掌握机器学习的基础知识，才能更好地理解、提高和驾驭人工智能的各种应用。 本书分为13章，前7章为原理篇，重点讨论了机器学习模型建模的全部流程、各类常用的机器学习算法原理、深度学习和强化学习、机器学习涉及的优化原理，以及自然语言处理算法原理；后 6章为实践篇，重点讨论了信用卡客户细分、保险公司时间序列生活事件预测、电商网站交易欺诈预测、信用卡和信用贷款风险预测、美国旧金山房屋成交价格预测，以及股票短期回报率预测等多个实际应用场景。 本书内容系统、全面，理论知识覆盖面广，且保留了推导过程。实践案例中，深入浅出地讲解和展示了机器学习应用的具体流程。本书适合在各行业工作的数据科学家、在校学习人工智能和数据科学专业的学生、科技公司的管理者和决策者，以及人工智能的初学者和爱好者阅读。

本书全面阐述了现代因果关系分析，展示了因果关系如何从一个模糊的概念发展成为一套数学理论，并广泛用于统计学、人工智能、经济学、哲学、认知科学、卫生科学和社会学等领域。本书提出了一个全面的因果关系理论，它统一了因果关系的概率、操作、反事实和结构方法，并提供了简单的数学工具来研究因果关系和统计关联之间的关系。本书通过融合领域知识、常识约束、文化传承的概念等来补充数据信息，为基于统计的机器学习中遇到的基本问题提供了科学的解决方案。

工业人工智能是支撑智慧工厂深度变革与重大创新的核心驱动技术。《工业人工智能创新与应用》在梳理相关研究的基础上，尝试贯穿研发、生产、销售、物流、售后等不同环节，探讨工业人工智能在产品全生命周期的创新性应用，分析工业人工智能在落地及实施阶段可能面临的挑战与困难，构建工业人工智能成熟度评估体系，同时结合大量国内外案例剖析工业人工智能如何与不同行业进行深度融合，由此为我国制造业新一轮数字化转型及创新带来启示。

知识图谱已被广泛应用于智能信息搜索、自动问答、决策分析等领域。本书以构建领域多层次知识体系支撑智能应用为目标，系统地介绍实体关系图谱、事理图谱和业务主题图谱构建过程中涉及的关键技术，如知识抽取、知识融合、知识存储、事件和场景抽取、事件模式库构建、事理规则挖掘、层次主题挖掘、动态主题挖掘、对象属性挖掘、主题要素关联挖掘等。此外，本书还提供丰富的案例，展现如何利用知识图谱实现领域智能应用。\n本书内容对于知识图谱研究和领域应用具有一定的参考意义，既适合专业人士了解知识图谱和深度学习前沿热点，又适合在相关领域从事知识图谱应用开发的人员学习，还可以作为高等院校人工智能专业师生的参考教材。