本书讲解了经典的高级机器学习算法原理与知识，包括常见的监督学习、无监督学习、概率图模型、核方法、深度神经网络，以及强化学习等内容，同时更强调动手实践。所有算法均利用PyTorch计算框架进行实现，并且在各章节配备实战环节，内容涵盖点击率预估、异常检测、概率图模型变分推断、高斯过程超参数优化、深度强化学习智能体训练等内容。本书附赠所有案例的源代码及各类学习资料来源，适合具有一定编程基础的人工智能爱好者学习，也是相关从业者和研究人员的学习指南。

西蒙教授说，科学的目标在于让精妙复杂的东西变得简单易懂，却又不失其惊奇之处！本书作为人工智能领域的一本必读经典，对人工智能领域所涉及的各学科均做出了独到的分析。西蒙教授在思维和大脑的区分上投入颇多。他将大脑看作生理机能的一部分，就如计算机中的硬件，只是大脑中的思维是人的想法的呈现。他强调，人类和计算机中的硬件不同，但这并不会阻碍计算机思维能力的发展，从而阻碍其适应能力。本书堪称人工智能领域的开山之作，具体包括：（1）理解自然界和人工界；（2）经济理性：适应性技巧；（3）思维心理学：自然中的人工智

本书比较全面、系统地介绍了深度强化学习的理论和算法，并配有大量的案例和编程实现。全书核心内容可以分为3部分，第一部分为经典强化学习，包括第2、3、4章，主要内容有动态规划法，蒙特卡洛法、时序差分法；第二部分为深度强化学习，包括第6、7、8章，主要内容有值函数近似法、策略梯度法、策略梯度法进阶；第三部分重点介绍了深度强化学习的经典应用——AlphaGo系列算法。另外，作为理论和算法的辅助，第1章介绍了强化学习的模型，第5章简单介绍了深度学习和PyTorch编程框架。本书可以作为理工科大学相关专业研

本书是入门阶段的人工智能技术读物，使读者获得人工智能的入门知识和基本的人工智能思维模式与动手能力，主要内容包括人类智能与人工智能的关系、人工智能的定义、人工智能六大实现途径、智能系统的动手实践等，为学校开展人工智能入门教学或者读者自学人工智能技术提供参考和指南。

本书以通俗易懂的方式从各个层面介绍了AIGC的基础知识，并辅以大量案例引领读者了解AIGC的应用实践，让读者可以更快速地利用AIGC改善工作和生活。第1章从AI发展历史到资本市场近况阐述了AIGC产业的概况，第2章介绍了AIGC相关技术，第3章介绍了文本类AIGC技术的发展及其在传媒、教育、办公等场景中的应用，第4章介绍了声音类AIGC技术的发展及其在音乐、仿真等领域中的应用，第5章介绍了图片类AIGC的发展及其在图片生成、图片处理、图片识别等领域中的应用，第6章介绍了视频类AIGC的发展及其在

《机器学习中的标记增强理论与应用研究》由东南大学计算机科学与工程学院助理研究员徐宁撰写。全书聚焦标记端多义性这一当今机器学习领域的热点问题，针对学习过程中不可避免的信息损失这一突出问题，提出了标记增强的概念，以期在不增加额外数据标注负担的前提下，挖掘训练样本中蕴含的标记重要性差异信息，将逻辑标记转化为标记分布。《机器学习中的标记增强理论与应用研究》共六章：第1章绪论，介绍了全书的研究背景和研究内容。第2章标记增强研究进展，介绍了标记增强的研究进展。第3章标记增强理论框架，构建了标记增强的理论框架

深度学习框架中蕴藏着惊人的技术和有趣的机制，本书旨在揭开这些技术和机制的神秘面纱，帮助读者正确理解技术，体会它们的有趣之处。为此，本书会带领读者从零开始创建一个深度学习框架DeZero。DeZero是本书原创的框架，它用最少的代码实现了现代深度学习框架的功能。本书分60个步骤来完成这个框架，在此过程中，读者会加深对PyTorch、TensorFlow和Chainer等现代深度学习框架的理解，看清深度学习框架的本质。本书沿袭《深度学习入门：基于Python的理论与实现》的风格，语言通俗，代码简洁，

至少从20世纪50年代起，人们就开始大肆宣传可能很快就会创造出一种能够与人类智能的全部范围和水平相匹配的机器。现在，我们已经成功地创造出了能够解决特定问题的机器，其准确度达到甚至超过了人类，但我们仍然无法获得通用智能。这本书想和大家探讨一下还需要做什么样的努力才能不仅获得专用智能，还能获得通用智能。如果读者对智能感兴趣，想了解更多关于如何建造自主机器的知识，或者担心这些机器突然有一天会以一种被称为“技术奇点”的方式统治世界，请阅读本书。通过阅读本书，读者将会了解到：尽管人工智能已经变得越来越复杂

强化学习是机器学习的重要组成部分。本书采用理论与实践相结合的写法，从强化学习的基本概念开始，详细介绍了强化学习的算法理论和实践操作，配有Python代码实现，完整呈现强化学习算法的实践细节。通过这本书你将会：（1）理解强化学习最关键方面的问题。（2）探索马尔可夫决策过程及动态规划的过程。（3）深入理解强化学习的各种方法，包括MC方法，TD方法，深度学习Q方法，SARSA方法等。（4）通过大量的现实例子及Python实现程序，不断地实践，成为强化学习的高手。

使用机器学习技术解决实际应用问题涉及模型的建立、训练及评估等步骤。优化算法常被用于训练模型的参数，是机器学习的重要组成部分。机器学习模型的训练可以建模成无约束优化问题或带约束优化问题，约束可以为模型增加更多的先验知识。基于梯度的算法（例如加速梯度法、随机梯度法等）是求解无约束优化问题的常用方法，而交替方向乘子法（ADMM）则是求解带约束优化问题的有力工具。《BR》本书概述了机器学习中ADMM的新进展。书中全面介绍了各种情形下的ADMM，包括确定性和随机性的算法、集中式和分布式的算法，以及求解凸问