本書的目標，是讓非機器學習領域甚至非計算機專業(yè)出身但有學習需求的人，輕松地掌握機器學習的基本知識，從而擁有相關的實戰(zhàn)能力。本書通過AI“小白”小冰拜師程序員咖哥學習機器學習的對話展開，內容輕松，實戰(zhàn)性強，主要包括機器學習快速上手路徑、數(shù)學和Python基礎知識、機器學習基礎算法（線性回歸和邏輯回歸）、深度神經(jīng)網(wǎng)絡、卷積

《零基礎實踐深度學習》從人工智能、機器學習和深度學習三者的關系開始，以深度學習在計算機視覺、自然語言處理和推薦系統(tǒng)的應用實踐為主線，逐步剖析模型原理和代碼實現(xiàn)。書中的內容深入淺出，通過原理與代碼結合、產(chǎn)業(yè)實踐和作業(yè)題結合的方式，幫助讀者更好掌握深度學習的相關知識和深度學習開源框架的使用方法。為了讓更多的讀者從中受益，快

本書系統(tǒng)全面地覆蓋了深度學習的主要原理、方法和應用實踐。介紹了深度學習的概念、主流工具及框架，分析了神經(jīng)網(wǎng)絡原理并實現(xiàn)，對卷積神經(jīng)網(wǎng)絡（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）和生成對抗網(wǎng)絡（GAN）這些常用的深度學習模型進行了演練，在此基礎上展開基于深度學習的目標檢測、圖像分割、人臉識別、文本自動生成等熱門應用，為讀者提供了

《統(tǒng)計學習要素：機器學習中的數(shù)據(jù)挖掘、推斷與預測(第2版)》在一個通用的概念框架中描述通用于數(shù)據(jù)挖掘、機器學習和生物信息學等領域的重要思想和概念。這些統(tǒng)計學范疇下的概念是人工智能與機器學習的基礎。全書共18章，主題包括監(jiān)督學習、回歸的線性方法、分類的線性方法、基展開和正則化、核光滑方法、模型評估和選擇、模型推斷和平均、

本書系統(tǒng)地描述了深度學習的基本理論算法及應用。全書共14章，第1~3章論述了數(shù)學基礎、機器學習基礎和深度學習基礎；第4~7章介紹了一些經(jīng)典網(wǎng)絡及計算機視覺領域中常用的CNN、RNN、GAN等網(wǎng)絡結構技術；第8~9章介紹了深度學習在計算機視覺領域的目標檢測及圖像分割兩大應用；第10~14章介紹了計算機視覺領域主要的優(yōu)化方

深入深度神經(jīng)網(wǎng)絡，揭開對抗性輸入如何欺騙深度神經(jīng)網(wǎng)絡。 探討如何生成對抗性輸入去攻擊深度神經(jīng)網(wǎng)絡。 探索真實對抗性攻擊場景和為對抗性威脅建模。 評估神經(jīng)網(wǎng)絡的健壯性；學會增強人工智能系統(tǒng)應對對抗性數(shù)據(jù)的能力。 考察未來幾年可用哪些方式讓人工智能更擅長模擬人的感知。

本教材是一個機器學習工具箱，適用于計算機科學專業(yè)本科四年級或研究生一年級的學生。本書為那些想要使用機器學習過程來完成任務的人提供了許多主題，強調使用現(xiàn)有的工具和包，而不是自己重新編寫代碼。本書適用于從頭至尾的講授或閱讀，不同的講師或讀者有不同的需求。

內容簡介本書圍繞機器學習算法中涉及的概率統(tǒng)計知識展開介紹，沿著概率思想、變量分布、參數(shù)估計、隨機過程和統(tǒng)計推斷的知識主線進行講解，結合數(shù)學的本質內涵，用淺顯易懂的語言講透深刻的數(shù)學思想，幫助讀者構建理論體系。同時，作者在講解的過程中注重應用場景的延伸，并利用Python工具無縫對接工程應用，幫助讀者學以致用。?全書共5

本書通過講解監(jiān)督學習的兩大支柱——回歸和分類——將機器學習納入統(tǒng)一視角展開討論。書中首先討論基礎知識，包括均方、*小二乘和*大似然方法、嶺回歸、貝葉斯決策理論分類、邏輯回歸和決策樹。然后介紹新近的技術，包括稀疏建模方法，再生核希爾伯特空間中的學習、支持向量機中的學習、關注EM算法的貝葉斯推理及其近似推理變分版本、蒙特卡

據(jù)聯(lián)合國預測，2050年全球將達到100億人口。本書認為，地球養(yǎng)活100億人口是一個巨大的挑戰(zhàn)，人類將面臨“FEW”困境。“FEW”是食物(Food)、能源(Energy)、水(Water)三個英文單詞的首字母縮寫，是人類生存與發(fā)展不可或缺的基礎性資源。然而，隨著地球上人口的增長，食物安全、淡水資源短缺、化石能源枯竭等