自早期以来，神经网络就一直是人工智能的支柱。现在，令人兴奋的新技术（例如深度学习和卷积）正在将神经网络带入一个全新的方向。在本书中，我们将演示各种现实世界任务中的神经网络，例如图像识别和数据科学。我们研究了当前的神经网络技术，包括ReLU 激活、随机梯度下降、交叉熵、正则化、Dropout 及可视化等。

机器学习虽然对改进产品性能和推进研究有很大的潜力，但无法对它们的预测做出解释，这是当前面临的一大障碍。《可解释机器学习：黑盒模型可解释性理解指南》书是一本关于使机器学习模型及其决策具有可解释性的书。本书探索了可解释性的概念，介绍了简单的、可解释的模型，例如决策树、决策规则和线性回归，重点介绍了解释黑盒模型的、与模型无关的方法，如特征重要性和累积局部效应，以及用Shapley值和LIME解释单个实例预测。本书对所有的解释方法进行了深入说明和批判性讨论，例如它们如何在黑盒下工作、它们的优缺点是什么、如何解释它们的输出。本书将解答如何选择并正确应用解释方法。本书的重点是介绍表格式数据的机器学习模型，较少涉及计算机视觉和自然语言处理任务。《可解释机器学习：黑盒模型可解释性理解指南》适合机器学习从业者、数据科学家、统计学家和所有对使机器学习模型具有可解释性感兴趣的人阅读。

周志华老师的《机器学习》（俗称“西瓜书”）是机器学习领域的经典入门教材之一。本书（俗称“南瓜书”）基于Datawhale 成员自学“西瓜书”时记下的笔记编著而成，旨在对“西瓜书”中重难点公式加以解析，以及对部分公式补充具体的推导细节。 全书共16 章，与“西瓜书”章节、公式对应，每个公式的推导和解析都以本科数学基础的视角进行讲解，希望能够帮助读者达到“理工科数学基础扎实点的大二下学期学生”水平。每章都附有相关阅读材料，以便有兴趣的读者进一步钻研探索。 本书思路清晰，视角独特，结构合理，可作为高等院校计算机及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

本书系统性地介绍了深度学习的原理、关键技术及相关应用，首先从基本概念、必备的线性代数、微积分、概率统计等数学知识等入手，这些预备知识可帮助读者更好地理解深度学习技术。接着对深度学习方法和技术进行了详细介绍，包括卷积神经网络、反馈神经网络、循环神经网络、生成对抗网络等，针对每个技术都力图用简单易懂的语言、详尽的公式推导说明和生动的图形展示知识点，并附上应用样例，便于读者将概念、原理、公式和应用融会贯通。本书还考虑到初学者尽快入门的需求，对深度学习开发工具和处理技巧进行了细致的梳理和总结。最后本书对深度学习应用前景、发展趋势、未来研究趋势等进行了分析，具有一定前瞻性。本书涵盖了大量深度学习的技术细节，适用于不同层次的读者。

智能制造是先进制造发展的z新形态，是企业实现转型升级的有力工具。为了更好地促进企业智能制造体系的推广和推进，作者撰写了这本书。本书分为三大部分：首先是智能制造的历史沿革，系统梳理了理论发展脉络，并对未来的理论趋势和z新的应用成果作了介绍；其次，对智能制造的前沿技术作了分析，包括智能产品/装备、大数据与制造智能、模型驱动的系统工程、数字化技术与制造执行系统；最后以汽车产业和国防工业为例，系统解析了智能制造模式的设计与实施，并深度解析了美欧推动机器学习技术在国防制造领域的应用。

近年来，演化计算作为计算智能中传统的优化技术，已经广泛应用于求解各种数据挖掘问题，形成了一种基于遗传的机器学习新范式学习分类器。一方面，在真实场景中采集的原始数据不可避免地包含着冗余乃至噪声属性的信息，这些不相关的特征将对学习分类器算法的学习性能与计算效率造成负面影响。另一方面，学习分类器以显式规则表示目标概念，在监督学习或强化学习机制的基础上，利用演化算法对规则空间进行搜索，从而完成学习任务。规则空间的有效搜索是影响学习分类器性能的关键。针对上述问题，本书的主要探讨内容：一是学习分类器与特征选择方法，重点是做两者的整合研究，将学习分类器的分类模型构建过程与特征选择的特征子集搜索过程统一集成在基于遗传的机器学习框架下，同时改善分类算法的预测性能与运行效率；二是从提高规则空间的搜索质量出发，着眼于分类问题，介绍了基于分布估计算法的学习分类器。本书可作为大数据及人工智能等相关专业的教材与参考用书。

本书以知识表示与处理所涉及的相关知识，如知识获取、知识表示、知识推理、知识迁移等内容为主体，完整呈现了知识表示与处理的知识体系。本书首先，介绍了知识表示与处理的发展、相关概念、流程等；其次，介绍了知识获取的内容；再次，重点介绍了知识表示的各种方法，如逻辑谓词、产生式规则、语义网络、本体、知识图谱等，以及知识推理所涉及的确定性知识推理和不确定性知识推理；最后，介绍了知识应用和知识迁移相关的内容。本书将免费提供配套PPT、实验及应用案例等基本教学材料。本书注重基础性、系统性和实用性，力求为学习知识表示与处理知识的读者提供一本基础的教材，同时为在其他学科应用知识表示与处理技术的读者提供一本深入浅出的参考书。本书适合作为人工智能、计算机科学与技术、自动化控制等相关专业的本科生和研究生的教材；部分内容也适用于高职高专学校的教学。

《Python机器学习》讲解未来人工智能技术中的机器学习，从入门知识到实践。全书分为“导入篇”、“基础篇”、“实践篇”三部分。 导入篇包括第1章和第2章的内容。第1章是关于Python的安装和语言的说明及阅读本书需要进行的准备等，“快速教程”中将对通过Python如何接触机器学习进行说明，章节末尾的“短文 深度学习是什么”中，会涉及到最近引人关注的深度学习的历史及其现状； 第2章中将概述机器学习的各个方面。 基础篇从第3章到第5章，将对分类问题、回归问题、聚类进行说明。特别是在“第3章 分类问题”，阐述了性能的评价方法及其注意要点，这是使用机器学习需要掌握的基础部分。 第6章和第7章的定位为实践篇，讲解了一些实际应用。第6章以手形状分类为题材，用和实际相近的形状进行数据收集，创建分类器，并进行评价；第7章中会看到传感器数据的处理方法，最后阐述了本篇的结束语。

本书运用深度机器学习等人工智能方法研究了农作物病虫害智能诊断及其在农业智能系统中的应用与实践，提供了大量农作物病害图像实例集和MATLAB例程供相关人员参考。

精心选取十个大数据与机器学习的实战案例，采用迭代递进模式，边理论边实践，深入浅出，让读者在工程实践中熏陶成长，在复杂系统设计中淬炼过硬本领。十个案例全部采用国际著名机构发布的真实数据，研究领域涉及生物信息、图像处理、商业零售、银行金融、自然语言处理等。每个案例采用的数据集规模相对较大，鲜明体现了机器学习在大规模数据挖掘处理方面独领风骚。