知识图谱作为认知智能的核心技术正蓬勃发展。本书系统全面地介绍了知识图谱的核心技术，既有宏观整体的技术体系，也有关键技术和算法细节，内容包括：知识图谱模式设计的方法论——六韬法；知识图谱构建中的实体抽取和关系抽取；知识存储中的属性图模型及图数据库，重点介绍了JanusGraph分布式图数据库；知识计算中的图论基础，以及中心性、社区检测等经典图计算算法；知识推理中的逻辑推理、几何变换推理和深度学习推理，及其编程实例。最后，本书以金融、医疗和智能制造三大行业的应用场景为例，梳理了知识图谱的应用价值和应

本书以元宇宙为主题，全面讲述了元宇宙在当下和未来的发展。首先，讲解了元宇宙的概念、技术、产业链及对互联网行业的重要意义，以便读者了解元宇宙的整体框架。其次，介绍了元宇宙在游戏、社交、办公、教育、虚拟数字人等方面的应用，展示了元宇宙的巨大潜力。最后，分析了数字经济变革、元宇宙投资方向，并且对未来进行了展望，介绍了元宇宙的商业潜能。本书在讲述概念的同时，对元宇宙的应用场景、未来趋势、投资赛道等做了分析。此外，融入诸多案例，对元宇宙的入局者具有很强的指导意义。

未来网络是什么样子？构建未来网络的关键技术有哪些？如果你在思考这些问题，请你一定要阅读本书。AI助力通信网络的发展构建了“网络AI”，在此基础上叠加云网融合、B5G/6G、网络5.0、算力网络、区块链、数字孪生、量子通信、网络安全等新的关键技术，共同打造“2030后的未来网络”。本书通过讲解和剖析上述关键技术，多维度地阐述了未来网络发展的愿景和演进路径，可让读者系统地学习与思考。 本书的主要读者对象为电信运营商、电信设备提供商、电信咨询行业的从业人员和从事通信科研的高校师生，以及关注通信行业技

本书以读者熟知的姜子牙的故事为线索，围绕人工智能技术的特色和应用，介绍自然语言处理、机器翻译、计算机视觉等人工智能技术内容，并通过大量实例帮助读者动手实践，掌握用AI解决实际问题的能力。

本书是一本系统介绍深度学习技术及开源框架PyTorch的入门书。书中通过大量案例介绍了PyTorch的使用方法、神经网络的搭建、常用神经网络（如卷积神经网络、循环神经网络）的实现，以及实用的深度学习技术，包括迁移学习、对抗生成学习、深度强化学习、图神经网络等。读者通过阅读本书，可以学会构造一个图像识别器，生成逼真的图画，让机器理解单词与文本，让机器作曲，教会机器玩游戏，还可以实现一个简单的机器翻译系统。 第2版基于PyTorch1.6.0，对全书代码进行了更新，同时增加了Transformer、

本书是关于神经网络的经典教材，完整、详细地讨论了各个主题，且包含了相关的计算机实验。全书共15章，主要内容包括神经网络的定义、Rosenblatt感知器、回归建模、最小均方算法、多层感知器、核方法和径向基函数网络、支持向量机、正则化理论、主成分分析、自组织映射、信息论学习模型、源于统计力学的随机方法、动态规划、神经动力学、动态系统状态估计的贝叶斯滤波、动态驱动递归网络。本书适合高等院校计算机、电子信息、软件工程、智能工程等专业的高年级本科生和研究生学习使用，也可供相关领域的技术人员参考。

本书旨在利用TensorFlow针对各种现实场景设计深度学习系统，引导读者实现有趣的深度学习项目。本书涵盖10个实践项目，如用目标检测API标注图像、利用长短期记忆神经网络（LSTM）预测股票价格、构建和训练机器翻译模型、检测Quora数据集中的重复问题等。通过阅读本书，读者可以了解如何搭建深度学习的TensorFlow环境、如何构建卷积神经网络以有效地处理图像、如何利用长短期记忆神经网络预测股票价格，以及如何实现一个能够自己玩电子游戏的人工智能（AI）！ 本书适合数据科学家、机器学习和深度学

本书介绍了人工智能和大数据涉及的核心概念和模型。书中涉及概念包括监督和非监督学习、数据类型、可视化、线性回归、逻辑回归、分类回归树、神经网络等。同时，本书理论和实际并重，基于真实的实例和数据集，引入了R语言演示实际计算和操作，为读者展示解决实际问题的代码，从而让读者掌握在实际生活中解决相关问题的方法。 本书适合想要综合学习人工智能、大数据和数据科学，尤其是想要依靠这些学科解决实际问题的人学习，也适合作为相关课程的参考教材。

《Scikit-Learn机器学习核心技术与实践》循序渐进地讲解了使用Scikit-Learn开发机器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Scikit-Learn的方法和流程。全书共10章，包括人工智能与Scikit-Learn简介，加载数据集，监督学习，无监督学习，模型选择和评估，数据集转换，实现大数据计算，英超联赛比分预测系统（Matplotlib+Scikit-Learn+Flask+Pandas），AI考勤管理系统（face-recognition+Matplotlib

主要内容●探索深度学习的**似然原理和统计学基础●发现能输出各种可能结果的概率模型●学习使用标准化流来建模和生成复杂分布●使用贝叶斯神经网络获取模型中的不确定性