本书是《数据库及其应用（Access+Python）》（第4版）配套的学习与实验的指导教程。全书分为12章，每章包括主教程对应章节的主要知识点归纳以及习题。各章知识点归纳精炼、完整，习题包括选择题、填空题、简答题和设计操作题等多种题型，涵盖了本章主要内容，并融汇了对于相关知识的整体理解和应用的要求。所有习题都有参考答案

本书内容涉及到了一些机器学习算法的并行化，使得大规模分布式机器学习算法成为可能，内容分为四个大部分：大规模机器学习的框架、监督和非监督学习算法、其它的学习算法和相关应用部分。

近年来，演化计算作为计算智能中传统的优化技术，已经广泛应用于求解各种数据挖掘问题，形成了一种基于遗传的机器学习新范式学习分类器。一方面，在真实场景中采集的原始数据不可避免地包含着冗余乃至噪声属性的信息，这些不相关的特征将对学习分类器算法的学习性能与计算效率造成负面影响。另一方面，学习分类器以显式规则表示目标概念，在监督

本书针对产业界在智能化过程中普遍面临的数据不足问题，详细地阐述了联邦学习如何帮助企业引入更多数据、提升机器学习模型效果。互联网数据一般分布在不同的位置，受隐私保护法规限制不能共享，形成了“数据孤岛”。联邦学习像“数据孤岛”之间的特殊桥梁，通过传输变换后的临时变量，既能实现模型效果提升，又能确保隐私信息的安全。本书介绍了

针对现有人工智能（AI）教材大多重视技术、淡化商业应用的问题，本教材力图“透过技术的坚硬外壳，探索AI的商业潜力和社会影响”。作为一本“面向商学院学生的人工智能教材”，本教材的主要内容有新一代人工智能基本技术原理、特点，人工智能技术的发展历史，新一代人工智能发展的驱动因素、特征和发展方向，人工智能应用层技术的特点、能力

深度学习作为人工智能领域的“排头兵”，将在未来的新一轮产业升级中起到至关重要的作用。本书以“理论＋实践”的形式帮助读者快速建立深度学习知识体系，不仅能在算法层面上理解各种神经网络模型，而且能借助功能强大且极易上手的Keras框架，熟练地搭建和训练模型，应用于解决实际问题。全书共12章，内容涵盖入门深度学习的绝大部分基础

近年来机器学习取得了长足的进步。深度学习系统使得一些以往不可能实现的智能应用成为现实，推动了图像识别和自然语言处理的巨大变革，也成功识别出了数据中的复杂模式。Keras深度学习库为使用R语言的数据科学家和开发者提供了处理深度学习任务的工具集。《R语言深度学习》基于强大的Keras库及其R语言接口介绍了深度学习。本书源于

本书将人工智能的理论、实践和创新型相结合，实现了先进性与新颖性并举，内容涵盖了图像、语音、文本和□□等人工智能技术广泛应用的多个领域，涉及识别、分类、检测、预测、跟踪和三维重建等多类试验任务。内容与理论教学相呼应，注重趣味性，极具实操性。

机器学习虽然对改进产品性能和推进研究有很大的潜力，但无法对它们的预测做出解释，这是当前面临的一大障碍。《可解释机器学习：黑盒模型可解释性理解指南》书是一本关于使机器学习模型及其决策具有可解释性的书。本书探索了可解释性的概念，介绍了简单的、可解释的模型，例如决策树、决策规则和线性回归，重点介绍了解释黑盒模型的、与模型无关

本书主要以人工智能的几种核心技术与发展应用为脉络，以深入浅出的方式系统、清晰地介绍了人工智能的基本概念、发展历程、关键技术和典型应用。全书涉及图像识别、语音识别、大数据挖掘、智能控制、智能机器人、脑机接口、5G等前沿技术，为读者构造并描绘出一幅人工智能全景图，向读者展示了一个全新、智慧、前沿的科技新时代，使读者能快速、