《AI源码解读：机器学习案例（Python版）（人工智能科学与技术丛书）》以人工智能发展为时代背景，通过20个应用机器学习模型和算法的实际案例，为工程技术人员提供较为详细的实战方案，以便深入学习。在编排方式上，全书侧重对创新项目的过程进行介绍，分别从整体设计、系统流程和实现模块等角度论述数据处理、模型训练和模型应用，并剖析模块的功能、使用和程序代码。为便于读者高效学习、快速掌握人工智能开发方法，该书配套提供项目设计工程文档、程序代码、实现过程中出现的问题及解决方法等资源，可供读者举一反三、二次开发。《AI源码解读：机器学习案例（Python版）（人工智能科学与技术丛书）》结合系统设计、代码实现以及运行结果展示进行讲解，语言简洁，深入浅出，通俗易懂，不仅适合作为对Python编程感兴趣的科研人员、人工智能爱好者及从事智能应用创新开发专业人员的参考教材，也可作为高等院校相关专业的参考书。

本书从工业界一线算法工作者的视角，对深度强化学习落地实践中的工程经验和相关方法论做出了深度思考和系统归纳。本书跳出了原理介绍加应用案例的传统叙述模式，转而在横向上对深度强化学习落地过程中的核心环节进行了完整复盘。主要内容包括需求分析和算法选择的方法，动作空间、状态空间和回报函数设计的理念，训练调试和性能冲刺的技巧等。本书既是前人智慧与作者个人经验的交叉印证和精心整合，又构成了从理论到实践再到统一方法论的认知闭环，与市面上侧重于算法原理和代码实现的强化学习书籍形成了完美互补。

本书涵盖许多无论是在理论还是在实践中都非常有趣的话题。书中介绍了包括控制范式、导航、软件、多机器人系统、群体机器人、社会角色中的机器人以及机器人中的人工意识。阐述了几个宽泛的主题，如人工智能理论与应用、拟人化、化身与情境、将心理学和动物行为理论扩展到机器人的理论以及未来的人工智能的新定义。

·用AI和自动化来支持精益创业的客户获取。 ·深度挖掘客户获取3.0，占取用户增长和留存的先机。 ·探索AI在营销领域的应用。 ·理解创业公司增长指标的衡量方式。 ·制定正确的战略来促进用户获取。 ·管理AI项目中不断增长的复杂性和风险。

本书以深度学习框架PyTorch为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了基本机器学习操作的原理和在深度学习框架下的实践步骤。全书共16章，主要分别介绍了深度学习基础知识、深度学习框架及其对比，机器学习基础知识，深度学习框架基础，Logistic回归，多层感知器，计算机视觉，自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信能为读者提供有益的学习指导。？？ 本书适合Python深度学习初学者、机器学习算法分析从业人员以及高等院校计算机科学、软件工程等相关专业的师生阅读。

本书从深度学习的发展历程开始，系统介绍了基于深度学习的目标检测的基本问题及其相关处理方法与技术，主要内容涉及两阶段和单阶段目标检测的理论、算法和研究成果。本书共6章，包括深度学习神经网络类型、目标检测技术、基于Faster R-CNN的目标检测改进算法、领域自适应及其在目标检测技术上的典型应用、图像识别模型改进及面部表情识别、结论与展望等内容。 本书主要面向人工智能、自动化、电子信息、计算机等专业高年级本科生以及控制科学与工程、信息与通信工程、计算机科学与技术等学科研究生，帮助读者了解目标检测技术的发展过程、基本知识与原理，同时也可供高校相关专业教师、科研人员和工程技术人员阅读参考。

本书简洁且全面地介绍了现代神经网络、人工智能和深度学习技术，专门为软件工程师和数据科学家设计。第1章逐步介绍神经网络的基础知识。第2章比较TensorFlow 1x和TensorFlow 20编程模型。第3章重点介绍回归。第4章介绍卷积神经网络及其在图像处理中的应用。第5章讨论了CNN在图像、视频、音频和文本处理方面的高级应用。第6章重点介绍生成对抗网络。第7章介绍词嵌入。第8章介绍基本嵌入方法的各种扩展。第9章介绍自动编码器。第10章深入研究无监督学习模型。第11章重点介绍强化学习。第12章介绍AutoML。第13章介绍用于移动设备和物联网的TensorFlow的基础知识。第14章讨论了云环境以及如何利用它来训练和部署模型。第15章讨论了深度学习背后的数学。第16章介绍TPU。本书内容丰富，易于理解，示例具有代表性，是学习深度学习的指南。

本书首先介绍了在具有完整位置和速度信息的全局坐标系中导航和运动规划的模型和算法。第二部分研究了机器人在势场中的运动，势场是由机器人的期望和知识的环境状态定义的。第三部分介绍了机器人在未知环境中的运动以及利用感测信息进行环境映射的相应任务。第四部分从二维和三维两个方面研究了多机器人系统和群体动力学。

本书讲解了如何基于不同业务场景的智能风控方法来构建一个从数据到计算再到决策的通用智能风控平台，该平台既能应用于业务的全流程，又能承载互联网业务中的大部分风险控制方案。全书从智能风控的原理、智能风控平台的架构、智能风控平台的产品设计与实现3个维度展开：第1部分（第1~3章）从智能风控的定义、演进以及智能风控如何与业务结合等方面介绍了智能风控的基础知识和原理；第二部分（第4~5章）详细讲解了智能风控平台的业务架构、功能架构和技术架构，为智能风控平台的设计与实现打下基础；第三部分（第6~7章）从产品设计与实现的角度讲解了智能风控平台的核心系统，如决策引擎系统、指标管理系统、接口管理系统、风险管理系统，以及次核心系统，如贷中监控系统、贷后管理系统、平台管理系统等。

本书涵盖了经典和现代的深度学习模型。章节分为三类：第1部分为神经网络的基础。许多传统的机器学习模型可以理解为神经网络的特殊情况。前两章的重点是理解传统机器学习和神经网络之间的关系。支持向量机、线性/逻辑回归、奇异值分解、矩阵分解和推荐系统都是神经网络的特例。本书将这些方法与特征工程方法如word2vec一起进行了研究。第2部分是神经网络的基本原理。训练和正则化的详细讨论在第3章和第4章提供。第5章和第6章介绍了径向基函数（RBF）网络和受限的玻尔兹曼机。第3部分是神经网络的高级主题：第7章和第8章讨论了循环神经网络和卷积神经网络。第9章和第10章介绍了几个高级主题，如深度强化学习、神经图像机、Kohonen自组织映射和生成对抗网络。这本书是为研究生、研究人员和实践者编写的。大量的练习和一个解决方案手册，以帮助在课堂教学。在可能的情况下，突出显示以应用程序为中心的视图，以便提供对每一类技术的实际用途的理解。