本书较完整地介绍了深度学习的基本概念、方法和技术。全书共10章，重点介绍了深度学习的基础知识、深度学习的基本算法、深度学习中的正则化以及几个典型的深度神经网络（如深度卷积神经网络、深度循环神经网络、深度生成式对抗网络、自编码器、深度信念网络、胶囊网络等）。本书内容丰富、叙述详细、实用性强，适合具有一定数学基础的高年级本

本书在不涉及大量数学模型与复杂算法实现的前提下，从机器学习概述开始，由“泰坦尼克号数据分析与预处理”“良/恶性乳腺癌肿瘤预测”“波士顿房价预测”“手写体数字聚类”“人脸特征降维”“在线旅行社酒店价格异常检测”6个案例分别引入数据分析、分类、回归、聚类、特征降维和异常检测的应用开发实战技术及其少量理论，能够帮助读者以最快

深度学习是目前***的技术领域。本书兼顾了数学上的理解和代码实践，内容主要包括基础知识和深度学习模型。第1章介绍深度学习的简洁发展思路和表示学习机制；第2章、第3章介绍神经网络的基于梯度的优化方法、神经网络的优化难点以及相应的解决方法；第4章讨论神经网络遇到的过拟合问题；第5章分析神经网络的最小组成部分——神经元；第6

本书通过有趣的插图和简洁的文字带您漫步在人工智能的世界中，与您分享这个非fan工具带来的惊奇和震撼，同时帮助您了解它如何运行以及它的局限性。作者在每个章节都揭示了人工智能的某一特性，并充分评估了这一领域的种种可能性。作者还探讨了研究人员面临的挑战及社会人工智能问题等。

统计学习是机器学习的重要分支，本书兼顾了数学上的理解和代码实践，内容主要包括基础知识和统计学习模型。第1章、第2章结合VC维介绍过拟合的本质，并介绍手动特征选择的办法；第3章、第4章从最简单的线性模型出发经过概率统计的解读而得到分类和回归算法；第5章讨论了不依赖于假设分布的非参数模型；第6章将核方法作为一种非线性拓展的

本书共12章，第1章介绍机器学习的基本概念和理论，并介绍用于机器学习的R软件环境的准备；第2章介绍如何应用R来管理数据，进行数据的探索分析和数据可视化；第3-9章介绍典型的机器学习算法，包括k近邻分类算法、朴素贝叶斯算法、决策树和规则树、回归预测、黑盒算法—神经网络和支持向量机、关联分析、k均值聚类，并给出大量的实际案

本书是人工智能领域的经典书籍，新版做了全面修订，增加了关于机器学习的内容，并更新了代码示例和练习。本书主要讨论智能体(agent)的基本概念和体系结构，从计算的角度介绍相关的规划、学习、推理、协商、交互机制等理论，基于自主送货机器人、诊断助手、智能辅导系统和交易智能体四个原型应用，在一个连贯的框架下研究智能体的设计、构

本书主要关注如何构建高能效具有学习能力的脉冲型神经元网络硬件，并且提供建立具有学习能力的脉冲型神经元网络硬件协同设计、协同优化方法。完整地描述从高级算法到底层硬件实现的细节。本书同样涵盖了脉冲型神经元网络中的许多基础知识和关键点。 本书从对脉冲型神经元网络的概述开始，讨论基于速率的人工神经网络的应用和训练，介绍实现神经

在每年举办的人工智能洛伯纳大奖赛(LoebnerAI)中，图灵测试让人工智能程序和人类竞赛，以此判断计算机是否可以思考，作者根据参赛亲身经历，讨论该如何认识人类本身的意义。本书还介绍了人工智能的发展历程，从多个方面阐述了人工智能的本质，引出了机器是否能够替代人这个人工智能的根本问题。

本书主要内容包括普通最小二乘法回归、岭回归、Lasso回归、弹性网络回归、正交匹配追踪回归、贝叶斯回归、广义线性回归、随机梯度下降回归、被动攻击回归、鲁棒回归、多项式回归、支持向量机回归、核岭回归、最近邻回归、高斯过程回归、决策树、神经网络模型、保序回归、岭分类、逻辑回归分类、随机梯度下降分类、感知机、被动攻击分类、支