Kubeflow是基于K8S的机器学习工具包，是为数据科学家和数据工程师构建生产级别的机器学习实现而设计的。本书采用循序渐进的方式，从 Kubeflow 的安装、使用和设计开篇，随后从模型训练的整个周期展开，涵盖了数据探索、特征准备、模型训练/调优、模型服务、模型测试、模型监测和模型版本管理等各个环节，既有相关的理论知识也囊括了真实的使用案例，能够让读者在学习 Kubeflow 知识的同时全面了解机器学习的相关知识，是入门和深入学习Kubeflow以及机器学习的良好指南。

《OpenCV 4.0+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

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。

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。

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+TensorFlow 2.5+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

本书是一本面向计算机类以及非计算机类专业学生的人工智能通识课程。内容选取上注重人工智能的通识性、典型性，旨在培养高职以及应用型本科学生的人工智能素养、计算思维能力。全书分为6大模块，分别从不用的层面对人工智能进行介绍。
本书在介绍人工智能通识知识的同时还以新形态二维码的方式嵌入了与课程内容相融合的思政元素，分别从家国情怀、工匠精神、责任担当、科技强国、科技创新以及未来展望等角度进行提取，期待起到育人、润心、铸魂的作用。

本书作者对于人工智能的发展、应用和影响问题的研究已有几年的时间：初关注人工智能的微观应用问题，对于无人经济的内涵、分类、发展机制、应用模式等做了一些探索；后来研究兴趣转移到宏观层面，重点关注人工智能发展对于就业的影响，本书是作者近两年研究的总结。未来作者将把研究重点转向人工智能发展背景下的分配问题。随着人工智能发展导致劳动被大量替代，社会保障制度的完善将成为维持经济正常运转和社会稳定的关键，当人工智能的发展和应用根本改变了劳动方式、生产方式、资源配置方式、就业结构、经济制度乃至所有制结构时

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TensorFlow 2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TensorFlow CPU 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TensorFlow API的使用；第5章是Dataset API，学习

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

本书构建了一个完整的强化学习入门路径，深入浅出地介绍了强化学习算法的基本原理和实现方法。本书 首先回顾了相关预备知识，包括数学基础和机器学习基础，然后先介绍强化学习的基本概念，给出强化学习的 数学框架（马尔可夫决策过程），随后介绍强化学习的求解算法，包括表格求解法（动态规划法、蒙特卡洛法 和时序差分法），以及近似求解法（值函数近似法、策略梯度法和深度强化学习）。本书后一部分为实践与前 沿，实践部分基于一个相同的例子实现了强化学习领域的主流基础算法，前沿部分介绍了强化学习领域的** 研究