本書以Python為基礎，使用Sklearn平臺，逐步帶領讀者熟悉并掌握機器學習的經典算法。全書共12章，主要內容包括人工智能概述、Python科學計算、數據清洗與特征預處理、數據劃分與特征提取、特征降維與特征選擇、模型評估與選擇、KNN算法、決策樹、線性模型、樸素貝葉斯算法、支持向量機和k均值聚類算法，附錄介紹了課程

《OpenCV4.0+Python機器學習與計算機視覺實戰(zhàn)》詳細闡述了機器學習與計算機視覺相關的基本解決方案，主要包括濾鏡、深度傳感器和手勢識別、通過特征匹配和透視變換查找對象、使用運動恢復結構重建3D場景、在OpenCV中使用計算攝影、跟蹤視覺上的顯著對象、識別交通標志、識別面部表情、對象分類和定位、檢測和跟蹤對象等

人工智能的發(fā)展需要對所解決問題的有深入的數學理解，矩陣代數正是一種基本的數學工具，在人工智能學科的研究中具有根本性的意義。本書的目的是為人工智能的研究和實踐提供堅實的矩陣代數理論基礎。全書共9章，分數學基礎、應用兩部分講述矩陣代數方法在人工智能中的應用。第一部分《人工智能的矩陣代數方法：數學基礎》包括第1–5章，提供矩

強化學習作為機器學習及人工智能領域的一種重要方法，在游戲、自動駕駛、機器人路線規(guī)劃等領域得到了廣泛的應用。 本書結合了李宏毅老師的“深度強化學習”、周博磊老師的“強化學習綱要”、李科澆老師的“世界冠軍帶你從零實踐強化學習”公開課的精華內容，在理論嚴謹的基礎上深入淺出地介紹馬爾可夫決策過程、蒙特卡洛方法、時序差分方法、

本書從強化學習的基礎知識出發(fā)，結合PyTorch深度學習框架，介紹深度強化學習算法各種模型的相關算法原理和基于PyTorch的代碼實現。作為一本介紹深度強化學習知識的相關圖書，本書介紹了常用的強化學習環(huán)境，基于價值網絡的強化學習算法和基于策略梯度的強化學習算法，以及一些常用的比較流行的深度強化學習算法（如蒙特卡洛樹搜索

本書結合了最新的深度學習技術應用成果，充分考慮了大學生的知識結構和學習特點，結合各個專業(yè)特點介紹了深度學習的基本概念及TensorFlow框架，以及深度學習在各個領域的具體應用。本書為高職高專院校深度學習基礎課程教材重點介紹了神經網絡與深度學習、TensorFlow環(huán)境使用、卷積神經網絡、循環(huán)神經網絡、遷移學習等內容。

本書系統(tǒng)地闡述機器學習的數學基礎知識，但并非大學數學教材的翻版，而是以機器學習算法為依據，選取數學知識，并從應用的角度闡述各種數學定義、定理等，側重于講清楚它們的應用和實現方法。所以，書中將使用開發(fā)者喜歡的編程語言（Python）來實現各種數學計算，并闡述數學知識在機器學習算法中的應用體現。

本書聚焦信息科學、生命科學、新能源、新材料等為代表的高科技領域，以及物理、化學、數學等基礎科學的進展與新興技術的交叉融合，其中70%的內容來源于IEEE計算機協(xié)會相關刊物內容的全文翻譯，另外30%的內容由SteerTech和iCANXTalks上的國際知名科學家的學術報告、報道以及相關活動內容組成。本書將以創(chuàng)新的方式宣

《人工智能——何時機器能掌控一切》共12章，從歷史、社會、哲學和人文等多學科角度審視人工智能技術的過去、現在和未來；既涵蓋了邏輯運算等經典的人工智能算法，又引入了量子計算等前沿的人工智能技術；既強調了人工智能對人類生活和社會各個方面的正面促進作用，又指出了其高能耗等缺點。通過閱讀《人工智能——何時機器能掌控一切》，零基

雖然很多深度學習工具都使用Python，但PyTorch庫是真正具備Python風格的。對于任何了解NumPy和scikit-learn等工具的人來說，上手PyTorch輕而易舉。PyTorch在不犧牲高級特性的情況下簡化了深度學習，它非常適合構建快速模型，并且可以平穩(wěn)地從個人應用擴展到企業(yè)級應用。由于像蘋果、Face