人工智能是一门发展极其迅速且内容丰富的学科，其众多分支领域都值得大家去探索和学习。《人工智能基础与进阶》分为基础篇和进阶篇两个篇章。其中，基础篇内容包括了人工智能的基本概念、人工智能的发展历史、计算机与环境感知、简单几何形状的识别、人工智能搜索算法；进阶篇则包括大数据的定义、知识与推理、回归与分类、深度学习网络、感知信

深度学习网络正变得越来越小。谷歌助理（GoogleAssistant）团队可以在微控制器上运行只有14KB大小的模型来检测单词。这本实用的书将带你进入TinyML的世界，让深度学习和嵌入式系统结合在一起，用微小的设备创造出惊奇的事业。

随着人工智能技术的发展，深度学习成为最受关注的领域之一。在深度学习的诸多开发框架中，TensorFlow是最受欢迎的开发框架。本书以培养人工智能编程思维和技能为核心，以工作过程为导向，采用任务驱动的方式组织内容。全书共分为8个任务，任务1介绍深度学习的发展历程、应用领域以及开发环境的搭建过程；任务2介绍TensorFl

本书可作为通识性选修课程的教学用书。本书内容包括人工智能的概念、知识工程、确定性和不确定性推理、搜索技术、机器学习、人工神经网络与深度学习、自然语言处理、多智能体系统等。全书弱化理论知识，以了解性内容为主。通过本书的学习，可使所有相关专业学生对人工智能有一个基础性的认识，方便后续相关课程的学习。

集成学习方法是一类先进的机器学习方法，这类方法训练多个学习器并将它们结合起来解决一个问题，在实践中获得了巨大成功。全书分为三部分。第一部分主要介绍集成学习的背景知识；第二部分主要介绍集成学习方法的核心知识，包括Boosting、Bagging、RandomForests等经典算法，平均、投票和Stacking等模型和方

本书内容涵盖经典的有监督机器学习算法，无监督机器学习算法，深度机器学习算法，阐述从浅层学习到深度学习，从简单的线性模型到复杂的神经网络非线性模型的原理与应用。书中每个章节遵循先简介理论基础，再构建数学模型，然后辅以实例分析，从理论到实践的讲解原则。每个章节可独立阅读，也可从前向后，从简到难，从浅层学习到深度学习，循序渐

全书共分为两篇：在上篇中，将从浩瀚的数学海洋中撷取机器学习研究人员最为必须和重要的数学基础。内容主要包括：微积分（含场论）、数值计算和常用最优化方法、概率论基础与数理统计、线性代数等。在下篇中，将选取机器学习中最为常用的算法和模型进行讲解，这部分内容将涉及（广义）线性回归、图模型（包含贝叶斯网络和HMM等）、分类算法（

本书介绍卷积神经网络的核心——错综复杂的细节和算法的微妙之处。主要包括卷积神经网络的高级主题和使用Keras和TensorFlow的对象检测。

本书通过聚焦于开发基于神经网络的解决方案来介绍机器学习，首先将从熟悉构建深度学习解决方案所需的概念和技术开始，然后介绍如何创建分类器、构建目标检测和语义分割神经网络、训练生成式模型，以及使用TF2.0的工具，如TensorFlowDatasets和TensorFlowHub，加速开发过程。学完本书之后，读者将能够使用T

深度学习是目前学术界和工业界都非常火热的话题，在许多行业有着成功应用。本书由Hulu的近30位算法研究员和算法工程师共同编写完成，专门针对深度学习领域，是《百面机器学习：算法工程师带你去面试》的延伸。全书内容大致分为两个部分，第一部分介绍经典的深度学习算法和模型，包括卷积神经网络、循环神经网络、图神经网络、生成模型、生