本書的目標(biāo)，是讓非機器學(xué)習(xí)領(lǐng)域甚至非計算機專業(yè)出身但有學(xué)習(xí)需求的人，輕松地掌握機器學(xué)習(xí)的基本知識，從而擁有相關(guān)的實戰(zhàn)能力。本書通過AI“小白”小冰拜師程序員咖哥學(xué)習(xí)機器學(xué)習(xí)的對話展開，內(nèi)容輕松，實戰(zhàn)性強，主要包括機器學(xué)習(xí)快速上手路徑、數(shù)學(xué)和Python基礎(chǔ)知識、機器學(xué)習(xí)基礎(chǔ)算法（線性回歸和邏輯回歸）、深度神經(jīng)網(wǎng)絡(luò)、卷積

《零基礎(chǔ)實踐深度學(xué)習(xí)》從人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)三者的關(guān)系開始，以深度學(xué)習(xí)在計算機視覺、自然語言處理和推薦系統(tǒng)的應(yīng)用實踐為主線，逐步剖析模型原理和代碼實現(xiàn)。書中的內(nèi)容深入淺出，通過原理與代碼結(jié)合、產(chǎn)業(yè)實踐和作業(yè)題結(jié)合的方式，幫助讀者更好掌握深度學(xué)習(xí)的相關(guān)知識和深度學(xué)習(xí)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(xué)習(xí)的主要原理、方法和應(yīng)用實踐。介紹了深度學(xué)習(xí)的概念、主流工具及框架，分析了神經(jīng)網(wǎng)絡(luò)原理并實現(xiàn)，對卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和生成對抗網(wǎng)絡(luò)（GAN）這些常用的深度學(xué)習(xí)模型進(jìn)行了演練，在此基礎(chǔ)上展開基于深度學(xué)習(xí)的目標(biāo)檢測、圖像分割、人臉識別、文本自動生成等熱門應(yīng)用，為讀者提供了

《統(tǒng)計學(xué)習(xí)要素：機器學(xué)習(xí)中的數(shù)據(jù)挖掘、推斷與預(yù)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(xué)習(xí)和生物信息學(xué)等領(lǐng)域的重要思想和概念。這些統(tǒng)計學(xué)范疇下的概念是人工智能與機器學(xué)習(xí)的基礎(chǔ)。全書共18章，主題包括監(jiān)督學(xué)習(xí)、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(xué)習(xí)的基本理論算法及應(yīng)用。全書共14章，第1~3章論述了數(shù)學(xué)基礎(chǔ)、機器學(xué)習(xí)基礎(chǔ)和深度學(xué)習(xí)基礎(chǔ)；第4~7章介紹了一些經(jīng)典網(wǎng)絡(luò)及計算機視覺領(lǐng)域中常用的CNN、RNN、GAN等網(wǎng)絡(luò)結(jié)構(gòu)技術(shù)；第8~9章介紹了深度學(xué)習(xí)在計算機視覺領(lǐng)域的目標(biāo)檢測及圖像分割兩大應(yīng)用；第10~14章介紹了計算機視覺領(lǐng)域主要的優(yōu)化方

深入深度神經(jīng)網(wǎng)絡(luò)，揭開對抗性輸入如何欺騙深度神經(jīng)網(wǎng)絡(luò)。 探討如何生成對抗性輸入去攻擊深度神經(jīng)網(wǎng)絡(luò)。 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(luò)的健壯性；學(xué)會增強人工智能系統(tǒng)應(yīng)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(xué)習(xí)工具箱，適用于計算機科學(xué)專業(yè)本科四年級或研究生一年級的學(xué)生。本書為那些想要使用機器學(xué)習(xí)過程來完成任務(wù)的人提供了許多主題，強調(diào)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(nèi)容簡介本書圍繞機器學(xué)習(xí)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(jìn)行講解，結(jié)合數(shù)學(xué)的本質(zhì)內(nèi)涵，用淺顯易懂的語言講透深刻的數(shù)學(xué)思想，幫助讀者構(gòu)建理論體系。同時，作者在講解的過程中注重應(yīng)用場景的延伸，并利用Python工具無縫對接工程應(yīng)用，幫助讀者學(xué)以致用。?全書共5

本書通過講解監(jiān)督學(xué)習(xí)的兩大支柱——回歸和分類——將機器學(xué)習(xí)納入統(tǒng)一視角展開討論。書中首先討論基礎(chǔ)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(shù)，包括稀疏建模方法，再生核希爾伯特空間中的學(xué)習(xí)、支持向量機中的學(xué)習(xí)、關(guān)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(yù)測，2050年全球?qū)⑦_(dá)到100億人口。本書認(rèn)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(chǔ)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