《TensorFlowLite移动设备深度学习从入门到实践》循序渐进地讲解了使用TensorFlowLite开发移动设备深度学习程序的核心知识，并通过具体实例的实现过程演练了使用TensorFlowLite的方法和流程。全书共12章，分别讲解了人工智能和机器学习基础、搭建开发环境、第一个TensorFlowLite程序、转换模型、推断、使用元数据进行推断、优化处理、手写数字识别器、鲜花识别系统、情感文本识别系统、物体检测识别系统、智能客服系统。《TensorFlowLite移动设备深度学习从入门

本书以新版深度学习框架PyTorch为基础，循序渐进地介绍其在深度学习中的应用。全书共10章，从深度学习数学知识入手，逐步介绍PyTorch在数值建模、图像建模、文本建模、音频建模中的基本概念及应用示例，还将介绍模型的可视化和联邦学习等内容，以扩展读者的视野。本书在讲解每一个知识点的同时，都配合有动手练习实例，便于读者深入理解所学知识，并达成学以致用的目标。本书原理与实践并重，易于理解且可操作性强，特别适合PyTorch新手、大学生、研究人员和开发人员使用，也可作为高等院校相关专业的教学用书。

进入21世纪，随着大数据、高性能计算等信息技术的发展变革，以及机器人系统加速向产业化迈进，推动了以深度学习为代表的第三次人工智能（ArtificialIntelligence，AI）热潮，使得人类社会开始从信息化时代迈入智能化时代。人工智能理论、技术与应用发展迅速，正在深刻的影响和改变着人们的生产和生活。从手机中的语音识别、银行交易中的生物特征认证、医疗诊断中的专家系统，到正在发展中的智能机器人和无人驾驶汽车，都离不开人工智能理论和技术的支撑。在信息化时代，数字化和网络化是推动人类社会发展变革的

《OpenCV4.0+Python机器学习与计算机视觉实战》详细阐述了机器学习与计算机视觉相关的基本解决方案，主要包括滤镜、深度传感器和手势识别、通过特征匹配和透视变换查找对象、使用运动恢复结构重建3D场景、在OpenCV中使用计算摄影、跟踪视觉上的显著对象、识别交通标志、识别面部表情、对象分类和定位、检测和跟踪对象等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学用书和参考手册。

强化学习作为机器学习及人工智能领域的一种重要方法，在游戏、自动驾驶、机器人路线规划等领域得到了广泛的应用。 本书结合了李宏毅老师的“深度强化学习”、周博磊老师的“强化学习纲要”、李科浇老师的“世界冠军带你从零实践强化学习”公开课的精华内容，在理论严谨的基础上深入浅出地介绍马尔可夫决策过程、蒙特卡洛方法、时序差分方法、Sarsa、Q学习等传统强化学习算法，以及策略梯度、近端策略优化、深度Q网络、深度确定性策略梯度等常见深度强化学习算法的基本概念和方法，并以大量生动有趣的例子帮助读者理解强化学习问

虽然很多深度学习工具都使用Python，但PyTorch库是真正具备Python风格的。对于任何了解NumPy和scikit-learn等工具的人来说，上手PyTorch轻而易举。PyTorch在不牺牲高级特性的情况下简化了深度学习，它非常适合构建快速模型，并且可以平稳地从个人应用扩展到企业级应用。由于像苹果、Facebook和摩根大通这样的公司都使用PyTorch，所以当你掌握了PyTorth，就会拥有更多的职业选择。 本书是教你使用PyTorch创建神经网络和深度学习系统的实用指南。它帮助读

本书是有关智能信息处理与量子智能计算方法及其应用的著作，系统介绍了智能信息处理与量子智能计算方面的基础理论及各种新技术、新方法，并从4G及5G移动通信、认知无线电、语音信号处理等角度进行了实例剖析。全书分为两篇共12章。第一篇“智能信息处理及其应用”侧重介绍智能信息处理领域的基本原理与关键技术；第二篇“量子智能信息处理”侧重介绍基于量子计算的智能信息处理技术。本书还提供了电子课件，读者可登录华信教育资源网（www.hxedu.com.cn）免费下载使用。本书被列为“十三五”江苏省高等学校重点教材

本书以实战为主，通过丰富的实战案例向读者介绍深度学习可应用和落地的项目，书中所有案例都基于Python+TensorFlow2.5+Keras技术，可用于深度学习课程的实战训练。本书配套示例源码、PPT课件、思维导图、数据集、开发环境与答疑服务。全书共分11章。第1章讲解深度学习的概念、流程、应用场景、模型分类和框架选择，第2~11章列举深度学习的项目实战案例，包括手写体识别、数据集分类、情感分类、文本情感分类、编码器、汉字拼音转换、中文文本分类、多标签文本分类、人脸检测、人脸识别、语音汉字转换

告诉你一个不太光彩的秘密:在大多数数据科学项目中，有一半的时间都花在清理和准备数据上了。但还有更好的方法:针对表格数据和关系数据库进行优化的深度学习技术，无需密集的特性工程，就能提供洞察和分析。学习使用少量的数据过滤、验证和清洗，就能解锁深度学习性能的技能。《深度学习处理结构化数据实战》传授面向表格数据和关系数据库的强大数据分析技术。本书从多伦多公交系统的数据集出发，带你领略用深度学习处理表格化数据的简易性和便捷性，并教你解决在生产环境中部署模型和监控模型性能等关键问题。主要内容●何时何地使用深

作为一门应用型学科，机器学习植根于数学理论，落地于代码实现。这就意味着，掌握公式推导和代码编写，方能更加深入地理解机器学习算法的内在逻辑和运行机制。本书在对全部机器学习算法进行分类梳理的基础之上，分别对监督学习单模型、监督学习集成模型、无监督学习模型、概率模型四个大类共26个经典算法进行了细致的公式推导和代码实现，旨在帮助机器学习学习者和研究者完整地掌握算法细节、实现方法以及内在逻辑。