可解释AI(Interpretable AI)将教会你识别模型所学习的模式及其产生结果的原因。通过阅读《可解释AI实战（PyTorch版）》，你将掌握一些用于解释白盒模型(如线性回归和广义可加模型)的方法，以及一些用于解释复杂深度学习模型的方法。可解释AI是一个快速发展的领域，本书将该领域的前沿研究简化为你可以在Python中实现的实际方法。
主要内容
● 解释AI模型的技术
● 最大限度地减少错误、偏见、数据泄露和概念漂移
●

《机器学习实战：视频教学版》基于Python语言详细讲解机器学习算法及其应用，用于读者快速入门机器学习。本书配套示例源代码、PPT课件、教学视频、教学大纲、习题与答案、作者微信答疑。
《机器学习实战：视频教学版》共分12章，内容包括机器学习概述、Python数据处理基础、Python常用机器学习库、线性回归及应用、分类算法及应用、数据降维及应用、聚类算法及应用、关联规则挖掘算法及应用、协同过滤算法及应用，最后通过3个综合实战项目（包括新闻内容分类实战、泰坦尼克号获救预测实战、中药数据分析项

本书共分为三部分，内容包括：概述、基于舆情现象识别视角的网络舆情预测、政府媒体在网络舆情演化中的传播力与影响力研究。具体内容包括：绪论；相关理论与技术概述；面向非均衡事件子集的舆情反转预测；网络暴力类舆情事件演化及预测等。

本书为该套丛书的第二卷：计算机视觉。本书主要介绍了深度模型、激活函数和特征空间；Torchvision、数据集、模型和变换；卷积神经网络、丢弃和学习率调度器；迁移学习和微调流行的模型(ResNet、Inception等)等内容。

本书主要介绍了梯度下降和PyTorch的Autograd；训练循环、数据加载器、小批量和优化器；二元分类器、交叉熵损失和不平衡数据集；决策边界、评估指标和数据可分离性等内容。

本书系统介绍了基于强化学习的多智能体协同技术，涉及进化算法、纳什均衡等相关主题，讨论了基于强化学习的多智能体协同理论、一致性学习算法、基于协同Q学习算法的多智能体规划技术等，研究了ICFA方法的优越性，将计算时间和结果准确性作为指标进行考核，在多机器人实时携杆问题中验证了算法的有效性。并给出了针对多机器人协同问题的应用实例。本书不仅包含多智能体强化学习协同研究的最新进展，而且提供了一种相对于传统方法更加高效的技术路线，并根据未来的研究趋势分析本书的应用前景。

本书包含代码实践和案例实践，运用OpenCV、PyTorch等框架工具详细讲解中文车牌识别检测、采用三元组的FaceNet人脸识别理论与实践、车道检测的两种深度学习思路及烟雾检测4大实践项目。相关理论可参考《基于深度学习的目标检测原理与应用》一书，从而学以致用、融会贯通。

本书系统介绍了推荐算法的知识框架和技术细节，包括召回、粗排、精排和重排等模块。第1章从用户体验、内容生产和平台发展角度介绍为什么需要推荐系统，并阐述推荐系统的分类及整体技术架构。第2章介绍推荐算法模型的基础——数据样本和特征工程。第3章介绍传统推荐算法。第4~7章介绍推荐系统中最复杂的部分——精排模块，包括特征交叉、用户行为序列建模、Embedding表征学习和多任务学习。第8章介绍召回模块，并详细讲解非个性化召回和个性化召回算法。第9章介绍粗排模块，重点讲解特征蒸馏和轻量级特征交叉等方法。第1

本书以PyTorch作为深度学习框架，主要包括4部分。第1部分（第1、2章），主要概述PyTorch基础知识与常见深度学习算法实现，例如，CNN、LSTM，即CNN-LSTM；第2部分（第3～5章）高级神经网络实现，主要包括常见的深度学习网络结构，例如CNN、RNN及最新的Transformer等模型；第3部分（第6～9章）生成式AI和深度强化学习，主要包括GAN、GPT和DQN等算法；第4部分（第10～14章）生产中PyTorch落地的几个关键性主题，分布式训练、自动机器学习管道构建和硬件快速

图强化学习是深度强化学习的重要分支领域。本书作为该领域的入门教材，在内容上尽可能覆
盖图强化学习的基础知识，并提供应用实践案例。全书共 10章，大致分为三部分：第一部分（第 1～
3章）介绍图强化学习研究对象（复杂系统、图和复杂网络）；第二部分（第 4～7章）介绍图强化
学习基础知识（图嵌入、图神经网络和深度强化学习）；第三部分（第 8～10章）介绍图强化学习
模型框架和应用实践案例，并进行总结和展望。每章都附有习题并介绍了相关阅读材料，以便有兴