《零基础实践深度学习》从人工智能、机器学习和深度学习三者的关系开始，以深度学习在计算机视觉、自然语言处理和推荐系统的应用实践为主线，逐步剖析模型原理和代码实现。书中的内容深入浅出，通过原理与代码结合、产业实践和作业题结合的方式，帮助读者更好掌握深度学习的相关知识和深度学习开源框架的使用方法。为了让更多的读者从中受益，快

本书系统全面地覆盖了深度学习的主要原理、方法和应用实践。介绍了深度学习的概念、主流工具及框架，分析了神经网络原理并实现，对卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）这些常用的深度学习模型进行了演练，在此基础上展开基于深度学习的目标检测、图像分割、人脸识别、文本自动生成等热门应用，为读者提供了

《统计学习要素：机器学习中的数据挖掘、推断与预测(第2版)》在一个通用的概念框架中描述通用于数据挖掘、机器学习和生物信息学等领域的重要思想和概念。这些统计学范畴下的概念是人工智能与机器学习的基础。全书共18章，主题包括监督学习、回归的线性方法、分类的线性方法、基展开和正则化、核光滑方法、模型评估和选择、模型推断和平均、

本书系统地描述了深度学习的基本理论算法及应用。全书共14章，第1~3章论述了数学基础、机器学习基础和深度学习基础；第4~7章介绍了一些经典网络及计算机视觉领域中常用的CNN、RNN、GAN等网络结构技术；第8~9章介绍了深度学习在计算机视觉领域的目标检测及图像分割两大应用；第10~14章介绍了计算机视觉领域主要的优化方

深入深度神经网络，揭开对抗性输入如何欺骗深度神经网络。 探讨如何生成对抗性输入去攻击深度神经网络。 探索真实对抗性攻击场景和为对抗性威胁建模。 评估神经网络的健壮性；学会增强人工智能系统应对对抗性数据的能力。 考察未来几年可用哪些方式让人工智能更擅长模拟人的感知。

本教材是一个机器学习工具箱，适用于计算机科学专业本科四年级或研究生一年级的学生。本书为那些想要使用机器学习过程来完成任务的人提供了许多主题，强调使用现有的工具和包，而不是自己重新编写代码。本书适用于从头至尾的讲授或阅读，不同的讲师或读者有不同的需求。

内容简介本书围绕机器学习算法中涉及的概率统计知识展开介绍，沿着概率思想、变量分布、参数估计、随机过程和统计推断的知识主线进行讲解，结合数学的本质内涵，用浅显易懂的语言讲透深刻的数学思想，帮助读者构建理论体系。同时，作者在讲解的过程中注重应用场景的延伸，并利用Python工具无缝对接工程应用，帮助读者学以致用。?全书共5

本书通过讲解监督学习的两大支柱——回归和分类——将机器学习纳入统一视角展开讨论。书中首先讨论基础知识，包括均方、*小二乘和*大似然方法、岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍新近的技术，包括稀疏建模方法，再生核希尔伯特空间中的学习、支持向量机中的学习、关注EM算法的贝叶斯推理及其近似推理变分版本、蒙特卡

据联合国预测，2050年全球将达到100亿人口。本书认为，地球养活100亿人口是一个巨大的挑战，人类将面临“FEW”困境。“FEW”是食物(Food)、能源(Energy)、水(Water)三个英文单词的首字母缩写，是人类生存与发展不可或缺的基础性资源。然而，随着地球上人口的增长，食物安全、淡水资源短缺、化石能源枯竭等

语言智能处理一直是人工智能领域的重要研究方向之一。本书按照研究历程与现状、关键技术与方法、发展趋势与展望的基本脉络，重点介绍了语言智能处理中的语言模型与知识表示、语言分析技术、语言情感分类、自然语言生成技术、自动问答与人机对话、机器翻译、信息检索与信息推荐等主题。本书所描述的内容涉及人们日常生活中的真实应用场景，理论与