本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。
《人工智能:智能系统指南(原书第3版)》是一本很好的人工智能入门书籍，内容丰富、浅显易懂。作者根据自己多年的教学、实践经验，并结合实际代码、图示、案例等讲解了人工智能的基本知识。全书共分10章，主要内容包括：基于规则的专家系统、不确定性管理技术、模糊专家系统、基于框架的专家系统、人工神经网络、进化计算、混合智能系统、知识工程、数据挖掘等。另外，《人工智能:智能系统指南(原书第3版)》还提供了一个人工智能相关术语表和包含商业化的人工智能工具的附录。
神经网络是计算智能和机器学习的重要分支，在诸多领域都取得了很大的成功。在众多神经网络著作中，影响最为广泛的是Simon Haykin的《神经网络原理》（第3版更名为《神经网络与机器学习》）。在本书中，作者结合近年来神经网络和机器学习的最新进展，从理论和实际应用出发，全面、系统地介绍了神经网络的基本模型、方法和技术，并将神经网络和机器学习有机地结合在一起。
本书不但注重对数学分析方法和理论的探讨，而且也非常关注神经网络在模式识别、信号处理以及控制系统等实际工程问题的应用。本书的可读性非常强，作者举重若轻地对神经网络的基本模型和主要学习理论进行了深入探讨和分析，通过大量的试验报告、例题和习题来帮助读者更好地学习神经网络。
本版在前一版的基础上进行了广泛修订，提供了神经网络和机器学习这两个越来越重要的学科的最新分析。
本书特色：
1. 基于随机梯度下降的在线学习算法；小规模和大规模学习问题。
2. 核方法，包括支持向量机和表达定理。
3. 信息论学习模型，包括连接、独立分量分析（ICA）、一致独立分量分析和信息瓶颈。
4. 随机动态规划，包括逼近和神经动态规划。
5. 逐次状态估计算法，包括卡尔曼和粒子滤波器。
6. 利用逐次状态估计算法训练递归神经网络。
7. 富有洞察力的面向计算机的试验。
《模式分类》(原书第2版)的第1版《模式分类与场景分析》出版于1973年，是模式识别和场景分析领域奠基性的经曲名著。在第2版中，除了保留了第1版的关于统计模式识别和结构模式识别的主要内容以外，读者将会发现新增了许多近25年来的新理论和新方法，其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。作者还为未来25年的模式识别的发展指明了方向。书中包含许多实例，各种不同方法的对比，丰富的图表，以及大量的课后习题和计算机练习。
本书通过扎实、详细的内容和清晰的结构，从算法理论、算法源码、实验结果等方面对深度学习算法进行分析和介绍。本书共三篇，第一篇主要介绍深度学习在计算机视觉方向的一些卷积神经网络，从基础骨干网络、轻量级 CNN、模型架构搜索 3 个方向展开，介绍计算机视觉方向的里程碑算法；第二篇主要介绍深度学习在自然语言处理方向的重要突破，包括基础序列模型和模型预训练；第三篇主要介绍深度学习在模型优化上的进展，包括模型优化方法。
通过阅读本书，读者可以深入理解主流的深度学习基础算法，搭建起自己的知识体系，领会算法的本质，学习模型优化方法。无论是从事深度学习科研的教师及学生，还是从事算法落地实践的工作人员，都能从本书中获益。
人工智能领域正在以超乎人们想象的速度发展，本书赶在人工智能彻底占领世界之前完成编写，实属万幸。
书中收录了超过100道机器学习算法工程师的面试题目和解答，其中大部分源于Hulu算法研究岗位的真实场景。本书从日常工作、生活中各种有趣的现象出发，不仅囊括了机器学习的基本知识 ，而且还包含了成为出众算法工程师的相关技能，更重要的是凝聚了笔者对人工智能领域的一颗热忱之心，旨在培养读者发现问题、解决问题、扩展问题的能力，建立对机器学习的热爱，共绘人工智能世界的宏伟蓝图。
“不积跬步，无以至千里”，本书将从特征工程、模型评估、降维等经典机器学习领域出发，构建一个算法工程师必-备的知识体系；见神经网络、强化学习、生成对抗网络等新科研进展之微，知深度学习领域胜败兴衰之著；“博观而约取，厚积而薄发”，在末一章为读者展示生活中各种引领时代的人工智能应用。
很多学科都面临着一个普遍问题：如何存储、访问异常庞大的数据集，并用模型来描述和理解它们？这些问题使得人们对数据挖掘技术的兴趣不断增强。长期以来，很多相互独立的不同学科分别致力于数据挖掘的各个方面。本书把信息科学、计算科学和统计学在数据挖掘方面的应用融合在一起，是第一本真正和跨学科教材。
本书由三部分构成。第一部分是基础，介绍了数据挖掘算法及其应用所依赖的基本原理。讲座方法直观易懂，深入浅出。第二部分是数据挖掘算法，系统讲座了如何构建求解特定问题的不同算法。讲座的内容包括用于分类和回归的树及规则、关联规则、信念网络、传统统计模型，以及各种非线性模型，比如神经网络和“基于记忆”的局部模型。第三部分介绍了如何应用前面讲座的算法和原理来解决现实世界中的数据挖掘问题。谈到的问题包括元数据的作用，如何处理残缺数据，以及数据预处理。
神经网络是计算智能和机器学习研究、开发和应用最活跃的分支之一。本书是神经网络方面的标准教材，从理论和实际应用出发，全面、系统地介绍神经网络的基本型、基本方法和基本技术，对神经网络的基本模型和主要学习理论都作了深入研究，特别在学习理论和学习算法的推导方面有极为详尽而系统地分析，对神经网络的最新发展趋势和主要研究方向都进行了全面而综合的介绍。理论和实际应用紧密结合，为神经网络的具体应用打下坚实的 基础，是一本可读性极强的教材。 书中注重对数学分析方法和性能优化的讨论，强调神经网络在模式识别、信号处理以及控制系统等实际工程问题中的应用。同时本书包含大量例题、习题，并配有13个基于MATLAB软件包的计算机试验的源程序。 本书适合作为相关专业研究生或本科高年级学生的教材，或作为希望系统、深入学习神经网络的科技工作者的参考书。
《数据挖掘实用机器学习技术(原书第2版)》介绍数据挖掘的基本理论与实践方法。主要内容包括：各种模型(决策树、关联规则、线性模型、聚类、贝叶斯网以及神经网络)以及在实践中的运用，所存在缺陷的分析。安全地清理数据集、建立以及评估模型的预测质量的方法，并且提供了一个公开的数据挖掘工作平台Weka。Weka系统拥有进行数据挖掘任务的图形用户界面，有助于理解模型，是一个实用并且深受欢迎的工具。
海报：
本书是电子商务领域著名学者Turban教授的又一力作。全书侧重于商务智能和为企业决策提供支持的商务分析。书中不仅介绍了传统的商务智能基本理论和应用，还介绍了当前商务智能涉及的新技术和新趋势，如文本挖掘、Web挖掘、社交网络和云计算等。
本书既可作为商务智能课程的教材，也可作为管理信息系统导论或商务战略的教材，同时还可以作为MBA技术管理课程的补充读物。
本书特色
管理导向：本书主要从管理视角来详细介绍商务智能的应用和实施，同时也非常重视商务智能技术层面的应用，介绍了数据仓库、数据挖掘、数据可视化和人工神经网络等基本理论及其在管理决策方面的应用。
真实案例：通过大量全球大公司、小企业、政府机构和非赢利组织的真实案例来生动形象地阐述相关概念和理论。
集成系统：本书强调那些支持企业和企业众多用户的系统，而不是孤立的基于互联网的商务智能系统。
热点研究：无线射频识别、云计算、社交网络、Web 2.0、虚拟世界等，本书分别从理论和应用角度对它们进行了阐述。
本书通过96个案例，全面讲解了深度学习神经网络原理和TensorFlow的使用方法。全书共分为3篇，第1篇深度学习与TensorFlow基础，包括快速了解人工智能与TensorFlow、搭建开发环境、TensorFlow基本开发步骤、TensorFlow编程基础、识别图中模糊的手写数字等内容；第2篇深度学习基础——神经网络，介绍了神经网络的基础模型，包括单个神经元、多层神经网络、卷积神经网络、循环神经网络、自编码网络等内容；第3篇深度学习进阶，是对基础网络模型的灵活运用与自由组合，是对前面知识的综合及拔高，包括深度神经网络和对抗神经网络两章内容。本书特别适合TensorFlow深度学习的初学者和进阶读者阅读，也适合社会培训班和各大院校对深度学习有兴趣的学生阅读。
深度学习是人工智能的前沿技术。《深度学习之美：AI时代的数据处理与最佳实践》深入浅出地介绍了深度学习的相关理论和实践，《深度学习之美：AI时代的数据处理与最佳实践》共分16章，采用理论和实践双主线写作方式。第1章给出深度学习的大图。第2章和第3章，讲解了机器学习的相关基础理论。第4章和第5章，讲解了Python基础和基于Python的机器学习实战。第6至10章，先后讲解了M-P模型、感知机、多层神经网络、BP神经网络等知识。第11章讲解了被广泛认可的深度学习框架TensorFlow。第12章和第13章详细讲解了卷积神经网络，并给出了相关的实战项目。第14章和第15章，分别讲解了循环递归网络和长短期记忆（LSTM）网络。第16章讲解了神经胶囊网络，并给出了神经胶囊网络设计的详细论述和实践案例分析。
《深度学习之美：AI时代的数据处理与最佳实践》结构完整、行文流畅，是一本难得的零基础入门、图文并茂、通俗易懂、理论结合实战的深度学习书籍。
计算机视觉、自然语言处理和语音识别是目前深度学习领域很热门的三大应用方向，《深度学习之PyTorch实战计算机视觉》旨在帮助零基础或基础较为薄弱的读者入门深度学习，达到能够独立使用深度学习知识处理计算机视觉问题的水平。通过阅读本书，读者将学到人工智能的基础概念及Python 编程技能，掌握PyTorch 的使用方法，学到深度学习相关的理论知识，比如卷积神经网络、循环神经网络、自动编码器，等等。在掌握深度学习理论和编程技能之后，读者还会学到如何基于PyTorch 深度学习框架实战计算机视觉。《深度学习之PyTorch实战计算机视觉》中的大量实例可让读者在循序渐进地学习的同时，不断地获得成就感。
《深度学习之PyTorch实战计算机视觉》面向对深度学习技术感兴趣、但是相关基础知识较为薄弱或者零基础的读者。
《神经计算原理》比较系统全面地介绍了人工神经网络的理论和实际应用，特别在神经网络模型和工程应用方面有极为深入的分析和讲解。全书不仅深入分析神经网络的基本概念，而且详细介绍神经网络应用方面的最新发展趋势和主要研究方向。《神经计算原理》理论和实际应用紧密结合，为神经网络的相关理论知识在具体问题中的应用打下了坚实的基础。
当前，深度学习模型的规模越来越大,例如谷歌的 BERT模型、OpenAl的GPT系列模型等；深度学习算法在不断优化，例如在计算机视觉领域，图像分类、目标检测等任务应用深度学习算法后,准确率得到了显著提升；深度学习的应用领域在不断拓展,除了在自然语言处理、计算机视觉,语音识别等领域，深度学习在医疗、金融等领域也得到了广泛应用。因此，从事深度学习相关工作需要不断学习和巩固基础知识，提升业务实践能力，持续关注新技术和新方法，并不断拓展知识面。
本书包含深度学习的经典应用场景，从算法原理、公式推导、算法源码、实验结果等方面对各场景的算法进行分析和介绍，重点讨论深度学习算法在目标检测与分割、场景文字检测与识别等方向的发展历程以及各算法的优缺点，并分析各算法是如何针对先前算法的若干问题提出解决方案的。具体内容有：
***深度学习在目标检测与分割领域的前沿算法，包括双阶段检测、单阶段检测、无锚点检测、特征融合、损失函数、语义分割 6个方向的算法；
***深度学习在场景文字检测与识别领域的重要突破，包括场景文字检测、场景文字识别这两个阶段的算法；
***深度学习的其他应用领域的算法，包括图像翻译、图神经网络、二维结构识别、人像抠图图像预训练、多模态预训练 5个方向的算法；
***算法中的数学原理，包括双线性插值、匈牙利算法、Shift-and-Stitch、德劳内三角化、图像梯度、仿射变换矩阵等。
本书旨在采用一种符合读者认知角度且能提升其学习效率的方式来讲解深度学习背后的核心知识、原理和内在逻辑。
经过基础篇的学习，想必你已经对深度学习的总体框架有了初步的了解和认识，掌握了深度神经网络从核心概念、常见问题到典型网络的基本知识。本书为核心篇，将带领读者实现从入门到进阶、从理论到实战的跨越。全书共7章，前三章包括复杂CNN、RNN和注意力机制网络，深入详解各类主流模型及其变体；第4章介绍这三类基础模型的组合体，即概率生成模型；第5章和第6章着重介绍这些复杂模型在计算机视觉和自然语言处理两大最常见领域的应用；第7章讲解生成式大语言模型的内在原理并对其发展趋势予以展望。
本书系统全面，深入浅出，且辅以生活中的案例进行类比，以此降低学习难度，能够帮助读者迅速掌握深度学习的基础知识。本书适合有志于投身人工智能领域的人员阅读，也适合作为高等院校人工智能相关专业的教学用书。
本书旨在采用一种符合读者认知角度且能提升其学习效率的方式来讲解深度学习背后的基础知识。
本书总计9章，深入浅出地介绍了深度学习的理论与算法基础，从理论到实战全方位展开。前三章旨在帮助读者快速入门，介绍了必要的数学概念和必备工具的用法。后六章沿着深度学习的发展脉络，从最简单的多层感知机开始，讲解了深度神经网络的基本原理、常见挑战、优化算法，以及三大典型模型（基础卷积神经网络、基础循环神经网络和注意力神经网络）。
本书系统全面，深入浅出，且辅以生活中的案例进行类比，以此降低学习难度，帮助读者迅速掌握深度学习的基础知识。本书适合有志于投身人工智能领域的人员阅读，也适合作为高等院校人工智能专业的教学用书。
《脉冲耦合神经网络图像处理(第2版)》是第一本详细探索和展示脉；中耦合神经网络(PCNN)极佳图像处理能力的专著。PCNN及其相关模型均源自生物神经元启发模型研究，是图像纹理分析、边缘提取、区域分割等非常强大的处理工具。这也是大多数图像处理项目的最基本任务，故PCNN非常适合目标识别、凹点检测和图像融合等常规图像处理任务。因此，PCNN的出现为目标分离、多通道图像融合、图像签名和基于内容的图像检索等图像处理的新技术发展铺平了道路。《脉冲耦合神经网络图像处理》还包括大量PCNN图像处理的应用实例以及对其硬件实现技术的讨论。.
本书重点介绍如何将R语言和深度学习模型或深度神经网络结合起来，解决实际的应用需求。全书共6章，分别介绍了深度这习基础知识、训练预测模型、如何防止过拟合、识别异常数据、训练深度预测模型以及调节和优化模型等内容。
本书适合了解机器学习概念和R语言并想要使用R提供的包来探索深度学习应用的读者学习参考。
深度学习已经成为人工智能炙手可热的技术，PyTorch是一个较新的、容易上手的深度学习开源框架，目前已得到广泛应用。《深度学习框架PyTorch快速开发与实战》从PyTorch框架结构出发，通过案例主要介绍了线性回归、逻辑回归、前馈神经网络、卷积神经网络、循环神经网络、自编码模型、以及生成对抗网络。《深度学习框架PyTorch快速开发与实战》作为深度学习的入门教材，省略了大量的数学模型推导，适合深度学习初学者，人工智能领域的从业者，以及深度学习感兴趣的人阅读。
本站基于Calibre构建，感谢开源界的力量。所有资源搜集于互联网，如有侵权请邮件联系。
Github | Docker | Project
本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。