AI真的会代替人类吗?今天的所谓AI其实根本没有像人类智慧一样的高级智慧，它不过就是一个高速算法而已，它能做到的事情非常有限。但随着大数据时代越来越盛行，又真的没有一点危险性吗？这就需要通过我们的阅读和知识的积累来平衡他们之间的关系。 全书分为四大部分：了解身边的AI以及新科技；AI的进化以及改变的生活；进步的科技以及胜过生活的变化；科技的发展方向、困境和未来。并在前三章穿插了三个有关于AI的知识小专栏。本书先从的AI的科技的介绍为开头章，精选了一些还没有普及到生活中的一些新科技，打开我们对人工

随着互联网、物联网、云计算等技术的不断发展，许多领域都产生了大量的数据。利用机器学习技术分析海量数据，可以从数据中发现隐含的、有价值的规律和模式，进而用于预测并采取相应动作。在上述背景下，本书从理论、技术和应用三个层面入手，全面讲解如何利用机器学习技术解决实际问题。本书共分26章，内容包括机器学习解决问题流程、问题分析与建模、数据探索与准备、特征工程、模型训练与评价、模型部署与应用、回归模型、支持向量机、决策树、集成学习、K近邻算法、贝叶斯方法、聚类算法、关联规则学习、神经网络基础、正则化、深度

大数据时代的到来，为人工智能的飞速发展带来前所未有的数据红利。在大数据的喂养下，大量知识不断涌现，如何有效地发掘这些知识呢？知识图谱横空出世。本书是一本讲解如何使用TensorFlow2构建知识图谱的入门教程，引导读者掌握基于深度学习的知识图谱构建概念、理论和方法。本书分为13章：第1章从搭建环境开始，包含TensorFlowCPU版本和GPU版本的安装，并通过一个知识图谱的例子引导读者开始学习；第2~4章介绍TensorFlowAPI的使用；第5章是DatasetAPI，学习使用原生API处理

本书论述人工智能与机器学习的基础知识、振动信号处理基础知识、机器学习在振动信号处理中应用的基本理论和方法，提供各种应用实例，并阐述实现振动信号测试、分析、处理的软硬件系统，给出基于机器学习的振动信号测试、分析、处理的算法。全书共10章，主要包括：振动测试传感器、振动测试系统、振动信号处理基础、振动信号时域处理、振动信号频域处理、基于虚拟仪器的振动信号测试与处理、机器学习基础、基于机器学习的振动信号识别原理与方法、基于机器学习的机械故障诊断等。

本书以工程实践为主线，基于TensorFlow2.0软件框架详细介绍了深度学习的工作原理和方法，并以实际代码为例，剖析了构建神经网络模型的流程、全连接网络的运行原理、卷积神经网络的结构与运行机制、循环神经网络的结构与运行机制，讨论了使用Dense、Conv1D、Conv2D、SimpleRNN、LTSM、GRU、Bidirectional等深度学习模型解决计算机视觉、序列问题的方法，并在此基础上基于具体示例介绍了深度学习的高阶实践。

本书从深度学习的发展历程开始，系统介绍了基于深度学习的目标检测的基本问题及其相关处理方法与技术，主要内容涉及两阶段和单阶段目标检测的理论、算法和研究成果。本书共6章，包括深度学习神经网络类型、目标检测技术、基于FasterR-CNN的目标检测改进算法、领域自适应及其在目标检测技术上的典型应用、图像识别模型改进及面部表情识别、结论与展望等内容。本书主要面向人工智能、自动化、电子信息、计算机等专业高年级本科生以及控制科学与工程、信息与通信工程、计算机科学与技术等学科研究生，帮助读者了解目标检测技术的

全书共分为8个项目，包括计算机与信息技术基础、认识Internet、Windows10操作系统的使用、Word2016文档编辑与管理、Excel2016数据统计与分析、PowerPoint2016演示文档制作与展示、人工智能技术及应用概论、大数据技术原理及应用概论。各项目内容通过任务逐步展开，有利于适应高等职业院校项目化教学要求，适应高职学生的学习特点。本书简明通俗，便于理解，不仅可以拓宽知识面，还可以培养学生的计算机应用能力和解决问题的能力。本书具有简明、实用、操作性强等特点，既可作为高等职业

本书探索理论计算机科学和机器学习这两个领域能够互相借鉴的知识，以此把它们关联起来。本书介绍机器学习中的重要模型和主要问题，并以一种容易理解的方式介绍该领域的前沿研究成果以及现代算法工具，包括矩量法、张量分解法和凸规划松弛法。本书共8章，内容涵盖非负矩阵分解、主题模型、张量分解、稀疏恢复、稀疏编码、高斯混合模型和矩阵补全等。本书适合理论计算机科学家、机器学习研究人员以及相关专业的学生阅读和学习。

本书介绍了元学习方法的发展历史、起源、思想、近来流行的元学习方法，以及这些方法的组织思路、改进方案、相互继承、如何应用。本书共11章，分为两部分：元学习方法思想的介绍和元学习应用场景中模型的介绍。这些内容介绍了如何在元学习框架下融入强化学习、模仿学习、在线学习、无监督学习、迁移学习等，实现对实际应用中深度模型的改进，以适应复杂多变的实际任务。

本书以scikit-learn和Keras框架作为实战平台，讲解了传统机器学习的主流技术和最新深度学习的研究成果。其中，"第一篇传统机器学习”包括第1～10章，介绍了机器学习概念、监督学习算法（回归分析、Logistic回归、k近邻、决策树、朴素贝叶斯、支持向量机）、无监督学习算法（神经网络、聚类、降维）；"第二篇深度学习”包括第11～15章，介绍了深度学习的概念、卷积神经网络、循环神经网络、生成对抗网络和强化学习等。本书的编写旨在体现"做中学”理念，读者在学习初期不必过多纠缠于算法理论，而是通