使用TensorFlow为多个移动平台构建智能深度学习和强化学习应用程序。
本书涵盖了10余个由TensorFlow提供支持并从头开始构建的完整iOS、Android和树莓派应用程序，可在设备上离线运行各种TensorFlow模型：从计算机视觉、语音识别和自然语言处理到生成对抗网络以及AlphaZero（如深度强化学习）。你将学习如何使用或再训练现有的模型、构建模型以及开发能运行这些模型的智能移动应用程序，并通过分步教程快速掌握如何构建此类应用程序，同时学会利用大量宝贵的故障排除技巧来避免

本书是为顺应智能时代教育信息化发展和满足教师专业发展的现实需求编写的，并以“理论与技术相结合，实用性导向”为宗旨，全面介绍教育人工智能研究及发展应用的基本原理和方法，学完本书后，读者将对教育人工智能有全面的了解，并能掌握其整体知识框架。本书共分十六章，主要内容包括绪论、教育人工智能理论基础、教育人工智能应用实践、教育人工智能伦理、Scraino 程序设计、Python 程序设计、其他常用的编程语言、知识表示方法、数据挖掘、搜索技术、群智能算法、机器学习、自然语言处理、视觉图像处理、教育专家系统、

《AI可解释性（Python语言版）》全面介绍了AI可解释性的概念和可用技术，使机器学习系统更易于解释。书中提出的方法可以应用于几乎所有现有的机器学习模型：线性和逻辑回归、深度学习神经网络、自然语言处理和图像识别等等。
随着机器学习的发展，如今人们越来越多地使用人工智能体来执行以前由人类处理的关键任务(医疗、法律和金融等等)。虽然智能体的设计原则已被理解，但目前的大多数深度学习模型对人类理解而言是“不透明的”。《AI可解释性(Python语言版)》从理论和实践的角度填补了这个新兴主题文献方

本书主要介绍了线性表、栈与队列、递归、搜索和排序、树、图等常用的数据结构和算法的概念和最基本的应用。本书引入了各种各样的生活知识来类比，并充分运用图形语言来体现抽象内容，对数据结构所涉及的一些经典算法逐行分析、多算法比较。

本书对人工智能安全的理论与实践技术进行了梳理，全面完整地覆盖了人工智能安全技术的主要方面，把相关知识体系划分为五部分，即人工智能的安全观、人工智能安全的数据处理、人工智能用于网络安全的攻击与防御、人工智能模型的对抗攻击与防御以及人工智能平台的安全与工具。第一部分对人工智能安全问题、基本属性、技术体系等进行了归纳梳理。第二部分介绍人工智能安全数据处理的三个主要方法，即非平衡数据分类、噪声数据处理和小样本学习方法。第三部分从人工智能技术赋能网络空间安全的攻击与防御问题角度出发，从三个典型实例及攻击图

本书采用“理论 +实践”的方式，全面系统地讲授了深度学习的基本原理以及使用 TensorFlow实现各类深度学习网络的方法。全书共 10章，第 1～3章主要介绍深度学习的基础知识，包括深度学习的概念和应用、深层神经网络的训练和优化、 TensorFlow的内涵和特点等内容；第 4～5章主要介绍 TensorFlow的安装，以及计算模型、数据模型、运行模型等 TensorFlow编程的基础知识；第 6～10章主要围绕 TensorFlow介绍各类深度学习网络，包括单个神经元、多层神经网络、卷积神经

本书以智能算法为背景，全面地介绍了人工智能的各种算法，本书内容以理论为基础，以应用为主导，循序渐进地向读者揭示怎样利用智能算法解决实际问题。全书共11章主要内容包括MATLAB语言入门、插值算法与曲线拟合、灰色系统理论、傅里叶变换和小波变换、经验模态分解算法、模糊逻辑控制算法、滑模变结构控制、神经网络基本理论、支持向量机、粒子群算法、蚁群算法、模拟退火算法等。
本书可作为高校本科生和研究生的学习用书，也可作为科研人员、学者、工程技术人员的相关参考用书。

本书详细介绍了人工智能领域涉及的数学基础，对于每个问题尽可能给出足够详尽的证明过程，以帮助读者深入理解智能算法的原理。本书内容涉及线性代数、高等数学、概率论、**化等多个数学分支内的重要知识点。采用公式推导、图表示例、应用举例相结合的方式，以翔实的语言、全新的视角，帮助读者理解其中的关键知识点。
全书共分为10章: 第1章、第3章、第4章详细介绍与人工智能算法相关的向量与矩阵分析、函数与泛函分析、概率与数理统计的数学基础。第2章介绍可用于评定不同待观测样本相似程度的度量方法。第5章重点介绍

作为机器学习领域应用比较成熟、广泛的业务，个性化推荐在电商、短视频等平台发挥着重要作用，其背后的推荐系统已成为当今越来越多应用程序的标配。关于推荐算法的论述有很多，而要将其很好地应用到实际场景中，则需要大量的实践经验。本书从实战的角度介绍推荐系统，主要包含三部分 ：召回算法、排序算法和工程实践。书中细致剖析了如何在工业中对海量数据应用算法，涵盖了从算法原理，到模型搭建、优化以及最佳实践等诸多内容。

本书主要内容包括机器学习中的相关数学基础 (线性代数、概率统计与信息论、最优化方法和张量分析); 样本数据中的预处理; 机器学习主流算法; 基于MATLAB机器学习算法的实现和机器学习综合应用、机器学习和深度学习的工程应用。本书特色是深入浅出, 自成体系, 注重基础理论的描述, 具有系统性、完整性、可阅读性、应用性和前瞻性。