人工智能将帮助人们把事情做得更好、更快，并在成本效益上更突出，它将深刻改变交通、旅游、医疗、教育、零售、农业、金融、销售和营销等行业。事实上，人工智能很可能极大地改变人类社会。你可能听说过很多工作将被人工智能或机器人取代，但你是否知道，与此同时，大量的新工作将由人工智能创造?本书涵盖了许多与人工智能相关的有趣话题，包括：人工智能如何看见、听到和理解事物；人工智能如何改变各个行业；人工智能如何改变沟通方式；人工智能如何改变就业市场；人工智能如何改变交通运输；人工智能如何改变日常生活。在本书中，作者

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。

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

本书主要内容包括机器学习介绍，NumPy、Pandas、SciPy库、Matplotlib（可视化）四个基础模块，Scikit-learn算法、模型、拟合、过拟合、欠拟合、模型性能度量指标、数据标准化、非线性转换、离散化，以及特征抽取和降维的各种方法，包括特征哈希、文本特征抽取、特征聚合等。全书通过实用范例和图解形式讲解，选材典型，案例丰富，适合从事大数据、数据挖掘、机器学习等人工智能领域开发的各类人员。