图神经网络是人工智能领域的一个新兴方向，它不仅迅速得到了学术界的广泛关注，而且被成功地应用在工业界的多个领域。本书介绍了图神经网络和图深度学习的基础知识和前沿研究，不仅包括它们的发展历史和经典模型，还包括图神经网络在深层网络、无监督学习、大规模训练、知识图谱推理等方面的前沿研究，以及它们在不同领域（如推荐系统、生化医疗、自然语言处理等）的实际应用。 本书既可作为人工智能领域研究和开发人员的技术参考书，也可作为对图上的深度学习感兴趣的高年级本科生和研究生的入门书。

本书分类《机器学习导论》面向机器学习领域的主要模型和算法，重点阐述不同方法背后的基本假设以及它们之间的相关性，帮助读者建立机器学习的基础理论功底，为从事该领域的相关工作打下基础。具体内容包括机器学习研究的总体思路、发展历史与关键问题，线性模型，神经网络及深度学习，核方法，图模型，无监督学习，非参数模型，演化学习，强化学习，数值优化方法等。 本书可作为高等学校相关课程的教材，也可作为研究生及对机器学习感兴趣的科技、工程技术人员的参考用书。本书封面贴有清华大学出版社防伪标签，无标签者不得销售。

本书围绕不确定多属性群决策问题展开研究，重点对将群决策方法移植到灰色关联、D-S证据理论、层次分析法等方法中涉及的不确定信息处理、专家权重调整、专家个体偏好信息的集结，以及集结效果的检验或方法结果的合理性对比分析、基于混合信息的多属性群决策等问题进行研究。在介绍国内外该方向研究进展的基础上，重点介绍作者在基于灰色关联和D-S证据理论的多属性群决策方法、基于群体层次分析法的指标权重求解方法、基于区间直觉模糊数和混合信息的不确定多属性群决策方法，以及不确定多属性群决策在武器装备论证决策中的应用等方面的研究成果。

本书分为4大部分。第一部分（第1~3章）：搜索推荐系统的基础。首先介绍数学与统计学是现代机器学习理论的基础；其次介绍搜索推荐系统的常识；最后，描述知识图谱相关基础理论。第二部分（第4~6章）：搜索系统的基本原理。主要内容包括：搜索系统框架及原理、主要算法以及搜索系统相关评价指标。第三部分（第7~9章）：推荐系统的基本原理。主要内容包括：推荐系统框架及原理、主要算法以及推荐系统相关评价指标。第四部分（第10~12章）：应用。首先介绍三种常见的搜索引擎工具；其次讲述搜索引擎和推荐系统两个方向的应用。

一本书理解Swift和机器学习，掌握构建智能iOS应用方法 利用Swift与Core ML构建和部署机器学习模型，开发出用于NLP和CV的神经网络1.学会如何使用Python和Swift快速进行模型原型开发 2.学会如何使用Core ML将预训练的模型部署到iOS 3.学会通过无监督学习发现数据中隐藏的模式 4.学会深入掌握聚类技术 5.学会如何在iOS设备上应用紧凑架构的神经网络 6.学会如何训练神经网络进行图像处理和自然语言处理本书是机器学习和Swift的完美指南，通过学习对机器学习原理和Swift实现方法、实际案例的详细讲解后，你将能够掌握如何开发使用Swift编写的可自学习的智能iOS应用程序。 本书适合想要开发iOS智能应用程序的iOS技术人员，以及从事基于Swift开展机器学习工作的开发人员阅读。

人工智能到底是什么？人工智能可以做什么？人工智能未来发展将面临什么样的问题？本书将深入浅出地为你讲述人工智能那些事儿，包括人工智能的历史、人工智能的核心概念与关键技术、人工智能思维与各类应用，以及人工智能未来的发展趋势，等等。所有你想了解的，书中可能都会涉及，即使从未接触过人工智能的人，通过阅读本书，也能对人工智能有一个全方位的认识和理解。本书适合所有想了解人工智能的读者阅读。

本书是逻辑仿生符号主义AI第一代原型机的详细的搭建计划。主要内容涉及AI核心智能系统：语言、认知、情绪以及反映模式机制的构建。本书中凡是对AI做出的机制层的描述都有对应的人类智能的印证，都有对应的模块描述；凡是有模块描述的都有对应的实验设计。著者5年前出版了《思维工程导论》，之后带领着100多人的团队经历了5年工程实践，如今把过去5年的研究成果汇聚于此书。这本《思维工程》已不是泛泛而谈的科普读物，是为颠覆性技术的实践做的最后的准备。

本书致力于推动人工智能的普及教育，结合**的人工智能科学技术的发展成果，使用通俗易懂的语言深入浅出地介绍了人工智能的相关知识，重点介绍了人工智能的孕育、人工智能的诞生、人工智能的复苏、人工智能的高速发展、人工智能的应用分支和哲学与思考等方面，在每章节后都有与之对应的章节习题，供学习者学习，以强化学生解决问题的能力。

在5G应用场景中，每个垂直行业都与大数据密不可分。本书希望把亚信科技二十多年的电信运营商领域经验，总结成一套体系化、标准化、基于5G网络特征云边协同架构的大数据技术框架，更好地推动新业务模式及应用场景落地。 全书共五篇：第一篇（第1～2章） 介绍5G网络环境下的大数据技术生态的发展趋势，以及大型企业大数据技术架构发展路线；第二篇（第3～5章） 介绍边缘计算的概念，以及大数据技术基于云边协同计算的落地方式；第三篇（第6～8章）介绍如何通过DataOps实现大数据的敏捷开发与运维服务。第四篇（第9～11章）介绍多种大数据智能化分析技术，如行业知识图谱、增强型分析、可信数据流通，快速实现大数据应用服务构建；第五篇（第12～14章）通过行业应用场景，详细描述如何通过5G网络及大数据技术重构行业应用及服务形态，并对未来技术趋势作出展望。 本书适合运营商企业的信息化负责人、系统架构师、IT人员，以及大型企业内的IT从业者阅读，也适合对5G及大数据技术感兴趣的其他读者阅读，可作为软件架构培训类参考书。

《机器学习：使用OpenCV、Python和scikit-learn进行智能图像处理（原书第2版）》是一本基于OpenCV4和Python的机器学习实战手册，既详细介绍机器学习及OpenCV相关的基础知识，又通过具体实例展示如何使用OpenCV和Python实现各种机器学习算法，并提供大量示例代码，可以帮助你掌握机器学习实用技巧，解决各种不同的机器学习和图像处理问题。《机器学习：使用OpenCV、Python和scikit-learn进行智能图像处理（原书第2版）》共13章：第1章简要介绍机器学习基础知识，并讲解如何安装OpenCV和Python工具；第2章介绍基本的OpenCV函数；第3章讨论监督学习算法，以及如何使用OpenCV和scikit-learn实现这些算法；第4章讨论数据表示和特征工程，并介绍OpenCV中提供的用于处理图像数据的常见特征提取技术；第5章展示如何使用OpenCV构建决策树进行医疗诊断；第6章讨论如何使用OpenCV构建支持向量机检测行人；第7章讨论朴素贝叶斯算法、多项式朴素贝叶斯等技术及实现，并展示如何使用贝叶斯学习实现垃圾邮件过滤；第8章讨论一些无监督学习算法；第9章详细讲解如何构建深度神经网络来分类手写数字；第10章介绍用于分类的随机森林、bagging方法和boosting方法等；第11章讨论如何通过模型选择和超参数调优来比较各种分类器的结果；第12章介绍OpenCV4.0中引入的OpenVINO工具包；第13章给出一些处理实际机器学习问题的提示和技巧。OpenCV是用于构建计算机视觉应用程序的一个开源库。《机器学习：使用OpenCV、Python和scikit-learn进行智能图像处理（原书第2版）》将全面介绍新发布的OpenCV4版本所提供的大量新特性和平台改进。首先，你将了解OpenCV4的新特性并安装OpenCV4来构建计算机视觉应用程序。然后，你将探索机器学习的基础知识，学习设计用于图像处理的各种算法，循序渐进地掌握监督学习和无监督学习，并将获得使用Python中的scikit-learn开发各种机器学习应用程序的实践经验。接着，你将学习决策树、支持向量机（SVM）、贝叶斯学习等各种机器学习算法，以及如何将这些算法应用于目标检测等计算机视觉操作。之后，你将深入研究深度学习和集成学习，并探索它们在现实世界中的应用，如手写数字分类和手势识别等。最后，你将学习用于构建图像处理系统的英特尔OpenVINO工具包。学习完《机器学习：使用OpenCV、Python和scikit-learn进行智能图像处理（原书第2版）》，你将掌握使用OpenCV4构建智能计算机视觉应用程序所需要的机器学习技能。