本书是“高级人工智能人才培养丛书”中的一本，首先介绍了机器学习的相关概念和发展历史，并在此基础上提出了深度学习——它本质上是近几年来大数据技术催生的产物。本书共12章，其中，第1～7章为机器学习的内容，分别介绍了机器学习的简单模型、贝叶斯学习、决策树、支持向量机、集成学习和聚类；第8～12章为深度学习的内容，由感知机与神经网络开始，之后分别介绍了卷积神经网络、循环神经网络、生成对抗网络及强化学习。第2～12章均提供了相应的实验案例，不仅配有完整翔实的Python语言代码及相关注释，也给出了实验结

人工智能时代已经来临，这项技术正在改变人类的认知和行为习惯，也对很多领域和行业造成了影响。本书共3篇，认知篇介绍了人工智能的理论知识与发展现状，详细讲述人工智能与5G、物联网、区块链等技术的融合；价值篇主要讲述了人工智能的价值，分析其为生活、社会、商业、医疗带来的变革；场景篇从服务场景、工作场景、教育场景、营销场景入手介绍人工智能的应用，为读者提供应用指导。如今，人工智能已成为不可逆转的趋势。本书向读者阐述与之相关的知识，并且告诉读者应该如何跟上潮流。总之，本书是一本不可多得的实战书，不仅具备很

本书从信息传输方式、获得的信息、拓扑图、控制输入更新方式等角度分析多智能体系统的一致性。根据智能体的动态方程，分别探讨一阶、二阶和一般线性多智能体系统的一致性问题，给出了状态反馈和输出反馈形式的两类协议，并建立了在固定拓扑情形一致性成立的充分条件，以及具有一般线性连续动态的多智能体系统的一致性的可解性问题。

本书主要介绍了线性表、栈与队列、递归、搜索和排序、树、图等常用的数据结构和算法的概念和最基本的应用。本书引入了各种各样的生活知识来类比，并充分运用图形语言来体现抽象内容，对数据结构所涉及的一些经典算法逐行分析、多算法比较。

本书面向研究型开发与创新能力培养,重点讲解机器学习的基本原理和前沿思想。Python是开展机器学习编程实践的主流语言,本书为常用的机器学习模型提供了完整的Python实现代码。本书在“中国大学MOOC”上同步开设配套慕课课程,供读者免费学习。

《AI可解释性（Python语言版）》全面介绍了AI可解释性的概念和可用技术，使机器学习系统更易于解释。书中提出的方法可以应用于几乎所有现有的机器学习模型：线性和逻辑回归、深度学习神经网络、自然语言处理和图像识别等等。随着机器学习的发展，如今人们越来越多地使用人工智能体来执行以前由人类处理的关键任务(医疗、法律和金融等等)。虽然智能体的设计原则已被理解，但目前的大多数深度学习模型对人类理解而言是“不透明的”。《AI可解释性(Python语言版)》从理论和实践的角度填补了这个新兴主题文献方面的空白

本书采用“理论+实践”的方式，全面系统地讲授了深度学习的基本原理以及使用TensorFlow实现各类深度学习网络的方法。全书共10章，第1～3章主要介绍深度学习的基础知识，包括深度学习的概念和应用、深层神经网络的训练和优化、TensorFlow的内涵和特点等内容；第4～5章主要介绍TensorFlow的安装，以及计算模型、数据模型、运行模型等TensorFlow编程的基础知识；第6～10章主要围绕TensorFlow介绍各类深度学习网络，包括单个神经元、多层神经网络、卷积神经网络、循环神经网络、

本书深入浅出地介绍了近年来AI领域中十分引人注目的新型人工神经网络——生成对抗网络（GAN）的基本原理、网络结构及其在图像处理领域中的应用；同时，分析了近年来在GAN训练、GAN质量评估及多种改进型GAN方面取得的进展；在实践方面，给出了基于Python的基本GAN编程实例。另外，本书还介绍了支撑GAN模型的基础理论和相关算法，以使读者更好地理解和掌握GAN技术。

作为机器学习领域应用比较成熟、广泛的业务，个性化推荐在电商、短视频等平台发挥着重要作用，其背后的推荐系统已成为当今越来越多应用程序的标配。关于推荐算法的论述有很多，而要将其很好地应用到实际场景中，则需要大量的实践经验。本书从实战的角度介绍推荐系统，主要包含三部分：召回算法、排序算法和工程实践。书中细致剖析了如何在工业中对海量数据应用算法，涵盖了从算法原理，到模型搭建、优化以及最佳实践等诸多内容。

本书围绕人工智能与大数据技术这一主题，简明扼要地阐述了人工智能与大数据技术的基本理论和发展趋势。全书分七章，包括人工智能概述、人体行为之智能机器人、智能信息处理技术、分布式人工智能中的Agent技术等。