1、封面介绍2、出版时间2021年3月3、推荐理由通过学习本书提供的500多个实际示例，读者将学会使用交互式IPython解释器和Jupyter Notebook并快速掌握Python编码方法。在学习完第1~5章的Python基础知识以及第6和7章的一些关键内容之后，读者将能够处理第11~16章中有关人工智能案例的重要实操内容，包括自然语言处理，用[...]

1、封面介绍2、出版时间2021年2月3、推荐理由本书全面介绍了深度学习知识，借助数学公式、示意图和代码，旨在帮助读者从数学层面、概念层面和应用层面理解神经网络。读者可以跟随本书构建和训练神经网络模型，从而解决实际问题。另外，本书着重介绍卷积神经网络和循环神经网络，并提供PyTorch开源神经网络库的使用方法，有助于学习构建更高级的神经网络架构。4[...]

1、封面介绍2、出版时间2022年1月3、推荐理由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[...]

1、封面介绍2、出版时间2016年1月3、推荐理由这是一本面向中文读者的机器学习教科书，为了使尽可能多的读者通过本书对机器学习有所了解，作者试图尽可能少地使用数学知识。然而，少量的概率、统计、代数、优化、逻辑知识似乎不可避免，因此，本书更适合大学三年级以上的理工科本科生和研究生，以及具有类似背景的对机器学习感兴趣的人士，为方便读者，本书附录给出了一[...]

我们知道深度神经网络一旦开始训练起来，那么中间层的输入参数就要发生变更，网络中每一层的输入数据分布一直在发生变化的。即便在输入层，我们已经人为的为每个样本归一化，但是仍然阻止不了后面网络每一层的输入数据的分布变化，因为在训练的时候，前面层训练参数的更新将导致后面层输入数据分布的变化。以网络第二层为例：网络的第二层输入，是由第一层的学习参数和inpu[...]

1、人工智能行业的现状：冰火两重天根据不同的应用领域，人工智能行业可以分为视觉类人工智能、语音及语义类人工智能和决策类人工智能。通常，我们接触的都是视觉类、语音类的人工智能，它们主要用来帮助人类执行具体任务，例如人脸识别，语音控制等等，而决策类AI更像企业的“智囊团”，给企业提供服务，而非个人，比如精准营销、风险管理、运营优化等等。客观的说，决策类[...]