本书是一部介绍机器学习算法的书籍。本书在阐述与机器学习的数学和统计学理论的同时，提供了相关的编程实践和实验。第2版新增了深度信念网络和高斯过程的章节、卡尔曼滤波器和粒子滤波器的附加讨论，对支持向量机的内容进行修订，并且对代码进行改进。目录：前言、预先准备、神经元、神经网络和线性判别、多层感知器、径向基函数和样条、降维、

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。

本书是一本系统介绍人工智能基础知识和基本原理的入门书籍,从经典人工智能入手,介绍知识表示、确定性推理、不确定性推理、专家系统和演化算法等。同时,也介绍了典型机器学习和深度学习的学习框架和方法,如决策树、支持向量机、卷积神经网络、循环神经网络和生成对抗网络等。另外,本书以Pytorch、sklearn等为基础通过实践项目

本书分为6章、24小节，分别以“城市、政府、市场、人民、生态、未来”等角色和角度，通过相关话题、观点与案例解读的形式，分享国内外优秀智慧城市的创新案例和解决方案，从各个层面探讨智慧城市发展趋势、挑战和机遇，为读者带来全新的思考与启发。

本书详细介绍了人工智能领域涉及的数学基础，对于每个问题尽可能给出足够详尽的证明过程，以帮助读者深入理解智能算法的原理。本书内容涉及线性代数、高等数学、概率论、**化等多个数学分支内的重要知识点。采用公式推导、图表示例、应用举例相结合的方式，以翔实的语言、全新的视角，帮助读者理解其中的关键知识点。全书共分为10章:第1章

《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

本书以智能算法为背景，全面地介绍了人工智能的各种算法，本书内容以理论为基础，以应用为主导，循序渐进地向读者揭示怎样利用智能算法解决实际问题。全书共11章主要内容包括MATLAB语言入门、插值算法与曲线拟合、灰色系统理论、傅里叶变换和小波变换、经验模态分解算法、模糊逻辑控制算法、滑模变结构控制、神经网络基本理论、支持向量

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

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

本书系统介绍了知识图谱的概念、发展历程、技术体系、前沿技术与应用实践。在基础知识方面，本书囊括了知识图谱从源数据到产生决策的全生命周期的各个环节，分析了数据图谱和知识图谱的核心区别，介绍了图谱构建和知识表示等相关关键技术。在前沿技术方面，全面介绍了知识图谱自动构建、知识图谱融合和智能推理等问题和挑战。在应用实践方面，结