本书共12章：第1章介绍机器学习的基本概念和理论，并介绍用于机器学习的R软件环境的准备；第2章介绍如何应用R来管理数据，进行数据的探索分析和数据可视化；第3～9章介绍典型的机器学习算法，包括k近邻分类算法、朴素贝叶斯算法、决策树和规则树、回归预测、黑盒算法——神经网络和支持向量机、关联分析、k均值聚类，并给出大量的实际案例和详细的分析步骤，例如乳腺癌的判断、垃圾短信的过滤、贷款违约的预测、毒蘑菇的判别、医疗费用的预测、建筑用混凝土强度的预测、光学字符的识别、超市购物篮关联分析以及市场细分等；第10章介绍模型性能评价的原理和方法；第11章给出提高模型性能的几种常用方法；第12章讨论用R进行机器学习时可能遇到的一些高级专题，如特殊形式的数据、大数据集的处理、并行计算和GPU计算等技术。

深度强化学习结合深度学习与强化学习算法各自的优势解决复杂的决策任务。得益于 DeepMind AlphaGo 和 OpenAI Five 成功的案例，深度强化学习受到大量的关注，相关技术广泛应用于不同的领域。本书分为三大部分，覆盖深度强化学习的全部内容。第一部分介绍深度学习和强化学习的入门知识、一些非常基础的深度强化学习算法及其实现细节，包括第 1～6 章。第二部分是一些精选的深度强化学习研究题目，这些内容对准备开展深度强化学习研究的读者非常有用，包括第 7～12 章。第三部分提供了丰富的应用案例，包括 AlphaZero、让机器人学习跑步等，包括第 13～17 章。本书是为计算机科学专业背景、希望从零开始学习深度强化学习并开展研究课题和实践项目的学生准备的。本书也适合没有很强的机器学习背景、但是希望快速学习深度强化学习并将其应用到具体产品中的软件工程师阅读。

本书通过有趣的插图和简洁的文字带您漫步在人工智能的世界中，与您分享这个非fan工具带来的惊奇和震撼，同时帮助您了解它如何运行以及它的局限性。作者在每个章节都揭示了人工智能的某一特性，并充分评估了这一领域的种种可能性。作者还探讨了研究人员面临的挑战及社会人工智能问题等。

创新工场于2017年发起了面向高校在校生的DeeCamp人工智能训练营（简称DeeCamp训练营），训练营内容涵盖学术界与产业界领军人物带来的全新AI知识体系和来自产业界的真实实践课题，旨在提升高校AI人才在行业应用中的实践能力，以及推进产学研深度结合。本书以近两年DeeCamp训练营培训内容为基础，精选部分导师的授课课程及有代表性的学员参赛项目，以文字形式再现训练营“知识课程+产业实战”的教学模式和内容。全书共分为9章，第1章、第2章分别介绍AI赋能时代的创业、AI的产品化和工程化挑战；第3章至第8章聚焦于AI理论与产业实践的结合，内容涵盖机器学习、自然语言处理、计算机视觉、深度学习模型的压缩与加速等；第9章介绍了 4 个优秀实践课题，涉及自然语言处理和计算机视觉两个方向。本书适合AI相关专业的高校在校生及AI行业的工程师使用，可作为他们了解AI产业和开拓视野的读物。

本书全面介绍了图深度学习的理论基础、模型方法及实际应用。全书分为4 篇，共15 章。第1 篇为基础理论，重点介绍图和深度学习的基础知识，包括图的关键概念和属性、各种基础的神经网络模型、训练深度学习模型的关键方法以及防止训练过程中过度拟合的实用技术；第2 篇为模型方法，涵盖了从基本设置到高级设置的成熟的图深度学习方法，包括图嵌入、图过滤和池化操作、图对抗攻击和图对抗防御技术、可扩展性图神经网络的代表性技术以及图神经网络之外的众多图深度模型；第3 篇为实际应用，重点介绍了具有代表性的实际应用，包括自然语言处理、计算机视觉、数据挖掘、生物化学与医疗健康等；第4 篇为前沿进展，介绍了有可能成为将来研究热点的高级方法和应用，主要从表达性、深度、公平性、可解释性和自监督学习等内容。在组织结构方面，每章首先介绍写作动机，然后通过具体示例或技术细节介绍相应内容，最后提供更多的扩展阅读知识。本书既适合对数据挖掘、机器学习和社交网络分析感兴趣的本科生和研究生阅读，也适合企业开发者和项目经理阅读。对于没有计算机科学背景，但想要应用图神经网络来推进其所在学科发展的研究人员，本书同样是一本值得参考的读物。

本书由之江实验室人工智能社会实验研究中心集体出品，是关于“人工智能社会治理实践与研究”前沿性的科普性读物。书中阐述了开展“人工智能社会治理实践与研究”的背景与意义；详实生动地讲解了人工智能社会治理实践与研究就业、教育、医疗、交通、养老、文化等领域中的应用案例、重点关切内容和实施路径；并在综述人工智能技术发展及社会应用现状的基础上，从社会治理的角度分享了人类进入现代社会后一些经典的或具有前瞻性、启发性的社会实践与研究的案例；后，对人工智能社会治理研究的全球协同性进行了展望。

机器学习算法评估力求用科学的指标，对机器学习算法进行完整、可靠的评价。 本书详细介绍机器学习算法评估的理论、方法和实践。全书分为3个部分。第1部分包含第1章～第3章，针对分类算法、回归算法和聚类算法分别介绍对应的基础理论和评估方法；第2部分包含第4章～第8章，介绍更复杂的模型（如深度学习模型和集成树模型）的对比与评估，并且针对它们实际应用的业务场景介绍一些特有的评估指标和评估体系；第3部分包含第9章～第11章，总结算法评估的常用工具、技术及方法论，包括实用的可视化工具介绍，并讨论机器学习算法的本质。 本书适合机器学习专业相关从业者和算法工程师阅读，也适合想要从事人工智能和机器学习工作的人士学习和参考。

《机器学习开发方法、工具及应用》介绍机器学习开发方法、工具及应用相关知识，全书由6章组成，第1章主要介绍机器学习的基本概念、分类等；第2章主要介绍机器学习开发架构、开发步骤；第3章~第5章主要介绍机器学习的开发工具，包括Python、NumPy、Pandas、Scikit-leam、TensorFlow；第6章主要介绍机器学习相关的10个实验，包括线性回归、决策树、人工神经网络、卷积神经网络等。《机器学习开发方法、工具及应用》适合作为高等院校人工智能专业、计算机专业、智能机器人专业、智能芯片专业及其他智能相关专业课程教材，也可作为人工智能应用、开发人员的参考用书。

预训练语言模型属于人工智能领域中自然语言处理领域的一个细分。 本书主要介绍预训练语言模型。预训练语言模型是自然语言处理领域的重要突破，得到了越来越广泛的关注，相关研究者和从业人员在实际应用的过程中，亟需一本理论翔实、代码细节充分的参考书。本书详细梳理了预训练语言模型的基本概念和理论基础，并通过实际代码的讲解， 阐述了具有代表性的预训练语言模型的实现细节，非常适合需要快速、全面掌握预训练语言模型的从业者阅读。

《虚拟现实》是一本关于扩展现实（包含虚拟现实、增强现实和混合现实）科普性质的读物。它运用大量生动的案例和浅显易懂的语句来清晰地讲述专业知识及应用。《虚拟现实》包含7章内容。第1章介绍为什么增强现实和虚拟现实很重要。第2章着重介绍增强现实和虚拟现实的多种形态和形式。第3章探讨了真实背后的技术，包括显示技术、运动跟踪、力反馈等。第4章介绍如何让扩展现实成为现实。第5章着重探讨虚拟技术改变一切。第6章探讨扩展现实技术发展带来的道德、伦理、法律和社会后果。第7章畅想拥抱一个增强和虚拟的未来。《虚拟现实》非常适合希望了解扩展现实技术的读者，通过概览扩展现实的精华知识，包括虚拟现实技术、增强现实技术、混合现实技术、行业应用、优秀产品、未来畅想等，帮助读者全面了解以虚拟现实为代表的扩展现实的过去、当下以及未来发展的可能。