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

本书系统介绍了机器学习常用算法及其应用，在深入分析算法原理的基础上，结合当前热门应用场景，向读者展现了机器学习算法的综合应用，带领读者进入机器学习领域，开启人工智能行业的大门。全书共21章，分为3部分。第1部分介绍机器学习基础算法，包括线性回归、多项式回归、逻辑回归、k-NN、决策树、k-Means、SVM、随机森林、朴素贝叶斯、PCA降维等，针对每个算法给出应用案例，让读者既掌握算法原理，又能够使用算法解决问题。第2部分是机器学习基础算法综合应用，通过学生分数预测、自闭症患者预测、淘宝用户价值

本书介绍深度学习领域先进的技术以及深度学习在主要的自然语言处理任务中的成功应用，包括语音识别和理解、对话系统、语义分析、句法分析、知识图谱、机器翻译、问答、情感分析、社会计算和基于图像的自然语言生成。本书对深度学习时代自然语言处理领域的不同研究前沿进行了概括与分析，还列举了深度学习与自然语言处理领域中交叉的技术性术语以及常用的首字母缩略词。在深度学习的基础上，本书使用深度学习的方法对自然语言处理领域内的问题进行研究，对自然语言处理领域中的机器阅读理解、人机对话和知识图谱方向进行深入研究，提出解决

本书知识全面、实用,共10章,内容包括深度学习数学基础,深度学习基础模型(全连接网络、卷积神经网络、循环神经网络、Transformer等)和实现,多场景多领域最佳实践,模型优化、加速与部署等。

本书的编程语言以Python为主,详细介绍了人工智能算法主流类别,从常见的特征处理算法出发,介绍了回归算法、基于实例的算法、树方法、神经网络、自然语言处理、社会网络、群粒子算法、推荐算法。本书针对每一个大类算法都介绍了该门类下的几个经典算法,并运用常见算法库以代码实现为目的,以商业分析、金融投资、科研辅助、工程优化等案例为对象,逐步讲解每一个算法的实现和在案例分析中的运用,涉及案例均可扫码实时观看。

本书的主体内容包括机器学习概念与特征工程、机器学习技术、模型关系管理，其中，模型关系管理部分主要介绍了弱集成学习、强集成学习和混合专家模型。弱集成学习是指使用机器学习中的弱分类器实现模型准确度和稳定性之间的平衡。强集成学习是指协同特征工程与强分类器形成强集成学习环境。混合专家模型是指通过神经网络集成和网络结构设计形成深度学习框架。本书以案例分析为主线介绍不同的集成学习方法，首先阐述弱集成学习如何解决项目痛点问题，然后以痛点为起点，集中讨论强集成学习如何解构子项目问题，最后通过深度学习分析非结构化

机器学习是人工智能的一个方向。它是一门多领域交叉学科，涉及概率论、统计学、矩阵论、神经网络、计算机等多门学科。其目标是使用计算机模拟或实现人类学习活动，从现有大量的数据中学习，利用经验不断改善系统性能。机器学习步骤一般分为获取数据、数据预处理、建立模型、模型评估和预测。本书共6章。第1章节主要介绍机器学习的基本概念及其发展史、机器学习分类、常见机器学习算法及其特点；第2章搭建机器学习开发环境，主要包括anaconda\pycharm\python软件的安装及使用，以及常见机器学习库的介绍和安装使