本書以數據驅動的數學問題研究為核心，是一部由研究工作構成的原創(chuàng)著作。全書共分7章，按三個模塊劃分：第一個模塊是研究背景和框架介紹，即第1章緒論，這是本書主題內容的一個導論；第二個模塊是粒度空間的基礎理論及模型，由第2～5章組成，其中涉及粒度空間的基本理論，結構聚類特征與融合，以及聚類結構分析理論等研究；第三個模塊是粒度

知識圖譜的發(fā)展歷史源遠流長，從經典人工智能的核心命題——知識工程，到互聯(lián)網時代的語義Web，再到當下很多領域構建的數千億級別的現(xiàn)代知識圖譜。知識圖譜兼具人工智能、大數據和互聯(lián)網的多重技術基因，是知識表示、表示學習、自然語言處理、圖數據庫和圖計算等多個領域技術的綜合集成。本書全面覆蓋了知識圖譜的表示、存儲、獲取、推理、融

演化學習作為機器學習中解決復雜優(yōu)化問題的重要方法，此前一直因為理論支撐不足未得到應有重視。本書將介紹作者團隊近幾年在演化學習理論和算法方面取得的重要進展，彌補上述缺憾。本書內容主要分四部分，第一部分簡要介紹演化學習基礎知識；第二部分講述演化算法中用于分析運行時和近似性能的通用理論工具；第三部分講解關于演化優(yōu)化中主要因素

機器學習是計算機科學與人工智能的重要分支領域.本書作為該領域的入門教材，在內容上盡可能涵蓋機器學習基礎知識的各方面.全書共16章，大致分為3個部分：第1部分（第1～3章）介紹機器學習的基礎知識；第2部分（第4～10章）討論一些經典而常用的機器學習方法（決策樹、神經網絡、支持向量機、貝葉斯分類器、集成學習、聚類、降維與度

本書主要內容包括機器學習介紹，NumPy、Pandas、SciPy庫、Matplotlib（可視化）四個基礎模塊，Scikit-learn算法、模型、擬合、過擬合、欠擬合、模型性能度量指標、數據標準化、非線性轉換、離散化，以及特征抽取和降維的各種方法，包括特征哈希、文本特征抽取、特征聚合等。全書通過實用范例和圖解形式講

場景化機器學習

本書從概念和數學原理上對人工智能所涉及的數據處理常用算法、圖像識別、語音識別、自然語言處理、深度學習幾個主要方面進行了闡述，并以Python為主要工具進行了相應的編程實踐，以使讀者對人工智能相關技術有更直觀和深入的理解。此外，本書也用幾個獨立的章節(jié)從原理和實踐上介紹了量子計算、區(qū)塊鏈技術、并行計算、增強現(xiàn)實等與人工智能

大部分TensorFlow教材應用案例少，理論講解比較概括，學生數學基礎薄弱，對人工神經網絡較難入門。本教材介紹TensorFlow的發(fā)展和特點后，通過案例詳細介紹TensorFlow的使用，著重細致地講解學生學習中遇到的難點，比如張量的形狀、卷積、池化、交叉熵等。通過案例讓學生逐層遞進地掌握TensorFlow，最后

《人工智能簡史》全面講述人工智能的發(fā)展史，幾乎覆蓋人工智能學科的所有領域，包括人工智能的起源、自動定理證明、專家系統(tǒng)、神經網絡、自然語言處理、遺傳算法、深度學習、強化學習、超級智能、哲學問題和未來趨勢等，以宏闊的視野和生動的語言，對人工智能進行了全面回顧和深度點評。 第2版中每章都有新增內容，并增加了全新的第13章，

本書致力于推動人工智能的普及教育，結合最新的人工智能科學技術的發(fā)展成果，使用通俗易懂的語言深入淺出地介紹了人工智能的相關知識，重點介紹了人工智能的孕育、人工智能的誕生、人工智能的復蘇、人工智能的高速發(fā)展、人工智能的應用分支和哲學與思考等方面，在每章節(jié)后都有與之對應的章節(jié)習題，供學習者學習，以強化學生解決問題的能力。