暢銷榜上的機器學習、深度學習書單！
機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法複雜度等多門學科，專門研究計算機怎樣模擬或實現人類的學習行為。機器學習是人工智慧的核心，是使計算機具有智能的根本途徑。近年來，機器學習領域受到越來越多的關注，相關的機器學習演算法開始成為熱點，知乎上同類問題同樣不少，如機器學習該怎麼入門？機器學習、數據挖掘如何進階成為大神？普通程序員如何向人工智慧靠攏？學習人工智慧該看什麼書？
今天小編整理了一些機器學習、深度學習、人工智慧相關圖書，涉及到的關鍵詞如下：深度學習、TensorFlow、機器學習、python、演算法、概率編程、貝葉斯。
深度學習是機器學習的一個分支，它能夠使計算機通過層次概念來學習經驗和理解世界。因為計算機能夠從經驗中獲取知識，所以不需要人類來形式化地定義計算機需要的所有知識。層次概念允許計算機通過構造簡單的概念來學習複雜的概念，而這些分層的圖結構將具有很深的層次。
Advertisements
1.《深度學習》
本書適合各類讀者閱讀，包括相關專業的大學生或研究生，以及不具有機器學習或統計背景、但是想要快速補充深度學習知識，以便在實際產品或平台中應用的軟體工程師。
本書由全球知名的三位專家Ian Goodfellow、Yoshua Bengio 和AaronCourville撰寫，是深度學習領域奠基性的經典圖書。
AI聖經！深度學習領域奠基性的經典暢銷書！長期位居美國亞馬遜AI和機器學習類圖書榜首！所有數據科學家和機器學習從業者的必讀圖書！特斯拉CEO埃隆•馬斯克等國內外眾多專家推薦！本書會介紹深度學習領域的許多主題。
2. 深度學習精要（基於R語言）
本書適合了解機器學習概念和R語言並想要使用R提供的包來探索深度學習應用的讀者學習參考。
Advertisements
本書結合R語言介紹深度學習軟體包H2O，幫助讀者理解深度學習的概念。本書從在R中設置可獲取的重要深度學習包開始，接著轉向建立神經網路、預測和深度預測等模型，所有這些模型都由實際案例的輔助來實現。成功安裝了H2O軟體包后，你將學習預測演算法。隨後本書會解釋諸如過擬合數據、異常數據以及深度預測模型等概念。最後，本書會介紹設計調參和優化模型的概念。本書適合那些胸懷大志的數據科學家，他們精通R語言數據科學概念，並希望可以使用R中的包進一步探索深度學習範式
本書重點介紹如何將R語言和深度學習模型或深度神經網路結合起來，解決實際的應用需求。全書共6章，分別介紹了深度這習基礎知識、訓練預測模型、如何防止過擬合、識別異常數據、訓練深度預測模型以及調節和優化模型等內容。
TensorFlow是深度學習的最流行的框架之一，極適合新手入門。谷歌公司正致力於建立一個相關軟體和機器學習模型的開源生態系統，這是人工智慧發展的技術風口。
3. 《TensorFlow技術解析與實戰》
本書深入淺出，理論聯繫實際，實戰案例新穎，適合對TensorFlow感興趣的各層次讀者閱讀。
機器學習深度學習領域參考書
包攬TensorFlow1.1的新特性
人臉識別 語音識別 圖像和語音相結合等熱點一應俱全
李航 余凱等人工智慧領域專家傾力推薦
本書基於TensorFlow1.1版本，深入TensorFlow基礎原理、設計理念、編程模型、源碼分析和模型構建、工業界應用、大規模數據訓練等。全書分為基礎篇、實戰篇和提高篇三部分。"基礎篇"
•人工智慧入門，學習深度學習的方法。
• TensorFlow基礎原理、設計架構和編程模型。
• 常用API、批標準化、模型的存儲與載入、隊列及線程、實現一個自定義OP。
• TensorBorad可視化的全面解析。
• 源碼分析。
• 神經網路（CNN和RNN）的發展演化以及如何用TensorFlow實現這些網路。
• 第三方上層框架Keras和TFLearn的應用。
"實戰篇"
• 用TensorFlow實現第1個神經網路。
• 用TensorFlow實現CNN、RNN、LSTM和自動編碼器的各種示例。
•TensorFlow在人臉識別、語音識別、智能機器人、語音和圖像相結合以及生成式對抗網路（GAN）等領域的實際應用。
"提高篇"
• TensorFlow的分散式原理、架構和模式。
• 移動端開發（Android、iOS和樹莓派）。
•TensorFlow的新特性，線性代數編程框架XLA、調試器Debugger、動態圖Fold、生產環境Serving。
• TensorFlow和Kubernetes相結合。
• TensorFlowOnSpark。
• 硬體計算加速。
• 機器學習的評測體系。
4. Python機器學習實踐指南
本書適合Python 程序員、數據分析人員、對演算法感興趣的讀者、機器學習領域的從業 人員及科研人員閱讀。
機器學習是近年來漸趨熱門的一個領域，同時Python語言經過一段時間的發展也已逐漸成為主流的編程語言之一。本書結合了機器學習和Python語言兩個熱門的領域，通過利用兩種核心的機器學習演算法來將Python 語言在數據分析方面的優勢發揮到極致。 全書共有10 章。第1章講解了Python 機器學習的生態系統，剩餘9章介紹了眾多與機器學習相關的演算法，包括各類分類演算法、數據可視化技術、推薦引擎等，主要包括機器學習在公寓、機票、IPO市場、新聞源、內容推廣、股票市場、圖像、聊天機器人和推薦引擎等方面的應用。
5. Python機器學習——預測分析核心演算法
本書主要針對想提高機器學習技能的Python 開發人員，幫助他們解決某一特定的項 目或是提升相關的技能。
在學習和研究機器學習的時候，面臨令人眼花繚亂的演算法，機器學習新手往往會不知 所措。本書從演算法和Python語言實現的角度，幫助讀者認識機器學習。 本書專註於兩類核心的"演算法族"，即懲罰線性回歸和集成方法，並通過代碼實例來展示所討論的演算法的使用原則。全書共分為7章，詳細討論了預測模型的兩類核心演算法、預測模型的構建、懲罰線性回歸和集成方法的具體應用和實現。
機器學習關注於預測，其核心是一種基於數學和演算法的技術，要掌握該技術，需要對數學及統計概念有深入理解，能夠熟練使用R語言或者其他編程語言。 本書通過集中介紹兩類可以進行有效預測的機器學習演算法，展示了如何使用Python編程語言完成機器學習任務，從而降低機器學習難度，使機器學習能夠被更廣泛的人群掌握。作者利用多年的機器學習經驗帶領讀者設計、構建並實現自己的機器學習方案。本書儘可能地用簡單的術語來介紹演算法，避免複雜的數學推導，同時提供了示例代碼幫助讀者迅速上手。讀者會很快深入了解模型構建背後的原理，不論簡單問題還是複雜問題，讀者都可以學會如何找到問題的解決演算法。書中詳細的示例，給出了具體的可修改的代碼，展示了機器學習機理，涵蓋了線性回歸和集成方法，幫助理解使用機器學習方法的基本流程。
自然語言處理（NLP）屬於人工智慧與計算機語言學的交叉領域，處理的是計算機與人類語言之間的交互問題。隨著人機交互需求的日益增長，計算機具備處理當前主要自然語言的能力已經成為了一個必然趨勢，NLTK庫是當前自然語言處理（NLP）領域最為流行、使用最為廣泛的庫之一,同時Python語言經過一段時間的發展也已逐漸成為主流的編程語言之一。
6.NLTK基礎教程——用NLTK和Python庫構建機器學習應用
本書適合 NLP和機器學習領域的愛好者、對文本處理感興趣的讀者、想要快速學習NLTK的資深Python程序員以及機器學習領域的研究人員閱讀。
本書主要介紹如何通過NLTK庫與一些Python庫的結合從而實現複雜的NLP任務和機器學習應用。全書共分為10章。第1章對NLP進行了簡單介紹。第2章、第3章和第4章主要介紹一些通用的預處理技術、專屬於NLP領域的預處理技術以及命名實體識別技術等。第5章之後的內容側重於介紹如何構建一些NLP應用，涉及文本分類、數據科學和數據處理、社交媒體挖掘和大規模文本挖掘等方面。
7. 實用機器學習
本書適合需要應用機器學習演算法解決實際問題的工程技術人員閱讀，也可作為相關專業高年級本科生或研究生的入門教材或課外讀物。
●作者在學術界和工業界工作多年，書中介紹的都是非常實用的演算法。
●本書涵蓋實際中常用的各種演算法，包括回歸、分類、推薦系統、排序等，能夠引導讀者從原始數據出發到形成最終的解決方案。
●通過R語言來引導讀者使用演算法，使讀者能夠簡單上手，得到演算法的第1手使用經驗。機器學習是一個熱門而又高深的話題。多年來，符號學習、統計學習、深度學習等一系列高高在上的名詞使得大眾對機器學習敬而遠之，大數據時代，機器學習的廣泛成功應用再次引爆了大眾對機器學習的關注。機器學習能夠解決什麼樣的問題？如何使用機器學習解決實際問題？應該怎樣選擇演算法？本書從實踐出發回答這些問題。書中首先通過實際應用場景引出機器學習中的幾類典型問題，然後著重介紹解決各類問題的實用演算法，並利用R語言和相關的軟體包來引導讀者實際使用這些演算法。
●不懂機器學習？沒有關係。本書不僅介紹了機器學習的基本概念和演算法原理，還提供了完整的程序代碼，助讀者輕鬆上手、快速入門。
●數學基礎不夠？沒有關係。本書一方面突出了對概念和原理的理解，儘可能淡化了對數學背景的要求；另一方面也介紹了需要具備的數學知識，便於讀者查閱。
●不會使用R語言？沒有關係。本書介紹了R語言的基本知識及常用R軟體包，兩位作者更是親手繪製了全書90%以上的插圖，手把手教讀者用R語言分析數據和展現結果。掌握本書介紹的演算法和對應的R軟體包后，讀者可以順利地針對新問題、新數據選擇和使用機器學習演算法，在實踐中獲得更大收穫。
本書圍繞實際數據分析的流程展開，著重介紹數據探索、數據預處理和常用的機器學習演算法模型。本書從解決實際問題的角度出發，介紹回歸演算法、分類演算法、推薦演算法、排序演算法和集成學習演算法。在介紹每種機器學習演算法模型時，書中不但闡述基本原理，而且討論模型的評價與選擇。為方便讀者學習各種演算法，本書介紹了R語言中相應的軟體包並給出了示常式序。本書的一大特色就是貼近工程實踐。首先，本書僅側重介紹當前工業界常用的機器學習演算法，而不追求知識內容的覆蓋面；其次，本書在介紹每類機器學習演算法時，力求通俗易懂地闡述演算法思想，而不追求理論的深度，讓讀者藉助代碼獲得直觀的體驗。
8. 機器學習Web應用
本書適合有志於成為或剛剛成為數據科學家的讀者學習，也適合對機器學習、Web數據挖掘等技術實踐感興趣的讀者參考閱讀。
Python是一門通用型編程語言，也是一門相對容易學習的語言。因此，數據科學家在為中小規模的數據集製作原型、實現可視化和分析數據時，經常選擇使用Python。本書填補了機器學習和Web開發之間的鴻溝。本書重點講解在Web應用中實現預測分析功能的難點，重點介紹Python語言及相關框架、工具和庫，展示了如何搭建機器學習系統。你將從本書學到機器學習的核心概念，學習如何將數據部署到用Django框架開發的Web應用；還將學到如何挖掘Web、文檔和伺服器端數據以及如何搭建推薦引擎。隨後，你將進一步探索功能強大的Django框架，學習搭建一個簡單、具備現代感的影評情感分析應用，它可是用機器學習演算法驅動的！本書是寫給正努力成為數據科學家的讀者以及新晉的數據科學家的。讀者應該具備一些機器學習經驗。如果你對開發智能（具備預測功能的）Web應用感興趣，或正在從事相關開發工作，本書非常適合你。掌握一定的Django知識，學習本書將會更加輕鬆。
9. 機器學習實踐應用
本書適合任何有一定數據功底和編程基礎的讀者閱讀。通過閱讀本書，讀者不僅可以了解機器學習的理論基礎，也可以參照一些典型的應用案例拓展自己的專業技能。同時，本書也適合計算機相關專業的學生以及對人工智慧和機器學習感興趣的讀者閱讀。
這是一本難得的面向機器學習愛好者的入門級教程，本書涉及機器學習的基礎理論和深度學習等相關內容，內容深入淺出。更加難能可貴的是，本書基於阿里雲機器學習平台，針對7個具體的業務場景，搭建了完整的解決方案，給讀者帶來第1手的實戰演練經驗。機器學習演算法正在逐漸滲透到數據化運營的各個方面，演算法和業務數據相結合可以大幅度地提高業務效率、降低成本。本書以演算法的業務應用作為切入點，包含大量的案例說明，非常適合讀者快速入門。
本書通過對機器學習的背景知識、演算法流程、相關工具、實踐案例以及知識圖譜等內容的講解，全面介紹了機器學習的理論基礎和實踐應用。書中涉及機器學習領域的多個典型演算法，並詳細給出了機器學習的演算法流程。本書適合任何有一定數據功底和編程基礎的讀者閱讀。通過閱讀本書，讀者不僅可以了解機器學習的理論基礎，也可以參照一些典型的應用案例拓展自己的專業技能。
10. 機器學習項目開發實戰
編輯推薦
本書向讀者展示了，如何利用簡單的演算法和技術，從數據中學習，構建更聰明的.NET應用，以解決現實世界中更廣泛的問題。讀者將在熟悉的VisualStudio環境中編碼各個項目，使用.NET環境中適合於機器學習的F#語言開發機器學習項目。如果你對F#還很陌生，本書將教會你入門所需的知識。如果你已經熟悉了F#，本書將是你在機器學習領域實踐該語言的新的機會。
在一系列令人著迷的項目中，讀者將學到：
* 從頭開始構建一個光學字元識別（OCR）系統
* 編寫一個通過例子學習的垃圾郵件過濾器
* 使用F#強大的類型提供程序與外部資源介面（在本書中是來自R語言的數據分析工具）
* 將數據轉換為信息量更大的特徵，並用它們作出精準的預測
* 在不知道目標的情況下找出數據中的模式
* 用回歸模型預測數值
內容簡介
本書通過一系列有趣的實例，由淺入深地介紹了機器學習這一炙手可熱的新領域，並且詳細介紹了適合機器學習開發的MicrosoftF#語言和函數式編程，引領讀者深入了解機器學習的基本概念、核心思想和常用演算法。書中的例子既通俗易懂，同時又十分實用，可以作為許多開發問題的起點。通過對本書的閱讀，讀者無須接觸枯燥的數學知識，便可快速上手，為日後的開發工作打下堅實的基礎。本書適合對機器學習感興趣的.NET開發人員閱讀，也適合其他讀者作為機器學習的入門參考書。
11.機器學習與數據科學
數據科學家提供bibei工具和技巧 使用R統計環境，快速上手實踐
編輯推薦
從業者使用的工具是決定他的工作能否成功的重要因素之一。本書為數據科學家提供了一些在統計學習領域會用到的工具和技巧，為他們在數據科學領域的長期職業生涯提供了所需的一套基本工具。針對處理重要的數據科學問題的高級技能，本書也給出了學習的建議。本書包括以下內容： 機器學習概述 監督機器學習 數據連接 非監督機器學習 數據處理 模型評估 探索性數據分析本書選用R統計環境。R在全世界範圍內應用越來越廣泛，很多數據科學家只使用R就能進行項目工作。本書的所有代碼示例都是用R語言寫的。除此之外，書中還使用了很多流行的R包和數據集。
內容簡介
當前，機器學習和數據科學都是很重要和熱門的相關學科，需要深入地研究學習才能精通。本書試圖指導讀者掌握如何完成涉及機器學習的數據科學項目。本書將為數據科學家提供一些在統計學習領域會用到的工具和技巧，涉及數據連接、數據處理、探索性數據分析、監督機器學習、非監督機器學習和模型評估。本書選用的是R統計環境，書中所有代碼示例都是用R語言編寫的，涉及眾多流行的R包和數據集。本書適合數據科學家、數據分析師、軟體開發者以及需要了解數據科學和機器學習方法的科研人員閱讀參考。
12. Microsoft Azure機器學習和預測分析
了解新的微軟Azure Machine Learning服務 掌握高效構建和部署預測模型的實用技能
本書是數據科學和機器學習領域的實用教程，專註於構建和部署預測模型，力圖幫助你學習如何使用新的微軟Azure MachineLearning快速構建和部署複雜的預測模型。 本書全面介紹2015年發布的微軟Azure MachineLearning服務，包含構建推薦器、傾向模型以及流失和預見性維護模型的實用指南。本書使用面向任務的描述和具體的端到端示例，確保讀者能夠快速上手。本書講述了AzureMachine Learning的各個方面，從數據入口到應用機器學習、評估模型以及把它們部署成Web服務。
書中新增以下精彩內容 ● Cortana分析套件；
● Python整合；
● 數據準備和特徵選擇；
● 使用Power BI的數據可視化；
● 推薦引擎；
● 在Azure市場上銷售你的模型。
通過閱讀本書，你將能夠
● 系統地了解數據科學及其zui佳實踐；
● 了解新的微軟Azure Machine Learning服務，掌握高效構建和部署預測模型的實用技能，例如，如何解決傾向建模、流失分析、產品推薦和使用Power BI進行可視化等典型預測分析問題；
● 在Azure市場上銷售你的預測模型的實用指南。
本書專門介紹了有關機器學習的內容，全書共分3部分：第1部分是數據科學和Microsoft Azure MachineLearning導論，介紹了數據科學和Microsoft Azure MachineLearning的基本知識以及需要用到的語言的基本知識；第二部分是統計學和機器學習演算法，系統地講解了統計學和機器學習的相關演算法；第三部分是實用應用程序，這一部分介紹了新的微軟Azure機器學習服務，講解如何高效構建和部署預測模型，還講解了如何解決傾向建模、產品推薦等實用技能。
13. 神經網路演算法與實現——基於Java語言
用Java代碼釋放神經網路無窮力量 深入淺出掌握神經網路與深度學習 機器學習從業者閱讀書目
編輯推薦
神經網路已成為從大量原始的，看似無關的數據中提取有用知識的強大技術。Java語言是用於實現神經網路的zui合適的工具之一，也是現階段非常流行的編程語言之一，包含多種有助於開發的API和包，具有"一次編寫，隨處運行"的可移植性。本書完整地演示了使用Java開發神經網路的過程，既有非常基礎的實例也有高級實例。首先，你將學習神經網路的基礎知識、感知機及其特徵。然後，你將使用學到的概念來實現自組織映射網路。此外，你還會了解一些應用，如天氣預報、疾病診斷、客戶特徵分析和光學字元識別（OCR）等。zui后，你將學習實時優化和自適應神經網路的方法。 首先，你將學習神經網路的基礎知識和它們的學習過程。 然後我們關注感知機及其特徵。接下來，您將使用您學到的概念實現自組織映射。 此外，您將了解一些應用，如天氣預報，疾病診斷，客戶特徵分析和光學字元識別（OCR）。zui后，您將學習優化和適應實時神經網路的方法。本書所有的示例都提供了說明性的源代碼，這些源代碼綜合了面向對象編程（OOP）概念和神經網路特性，以幫助你更好的學習。通過閱讀本書，你講能夠： 掌握神經網路的知識及其用途； 運用常見實例開發神經網路；探索和編碼zui廣泛使用的學習演算法，讓你的神經網路可以從大多數類型的數據中學習 知識；發現神經網路的無監督學習過程的力量，提取隱藏在數據背後的內在知識； 應用實際示例（如天氣預測和模式識別）中生成的代碼；了解如何選擇zui合適的學習參數，以確保應用更高效； 選擇數據集，將數據集切分為訓練集、測試集和驗證集，並探索驗證策略；了解如何改善和優化神經網路。
內容簡介
人工神經網路是由眾多連接權值可調的神經元連接而成，具有大規模并行處理、分散式信息存儲、良好的自組織自學習能力等特點，能夠完成模式識別、機器學習以及預測趨勢等任務。本書通過9章內容，並結合Java編程語言，由淺入深地介紹了神經網路演算法的應用。書中涉及神經網路的構建、神經網路的結構、神經網路的學習、感知機、自組織映射等核心概念，並將天氣預測、疾病診斷、客戶特徵聚類、模式識別、神經網路優化與自適應等經典案例囊括其中。本書在附錄中詳細地指導讀者進行開發環境的配置，幫助讀者更加順利地進行程序開發。本書非常適合對神經網路技術感興趣的開發人員和業餘讀者閱讀，讀者無需具備Java編程知識，也無需提前了解神經網路的相關概念。本書將從零開始為讀者進行由淺入深地講解。
作者簡介
Fábio M. Soares擁有帕拉聯邦大學（Universidade Federal doPará，UFPA）的計算機應用專業碩士學位，目前是該所大學的在讀博士生。他從2004年開始就一直在設計神經網路解決方案，在電信、化學過程建模等多個領域開發了神經網路技術的應用，他的研究主題涉及數據驅動建模的監督學習。他也是一名個體經營者，為巴西北部的一些中小型公司提供IT基礎設施管理和資料庫管理等服務。在過去，他曾為大公司工作，如Albras（世界上zui重要的鋁冶鍊廠之一）和Eletronorte（巴西的一個大型電源供應商）。他也有當講師的經歷，曾在亞馬遜聯邦農業大學（FederalRural University）和卡斯塔尼亞爾的一個學院授課，兩所學校都在帕拉州，所教的學科涉及編程和人工智慧。他出版了許多作品，其中許多都有英文版，所有作品都是關於針對某些問題的人工智慧技術。他在眾多權v會議上發表了一系列學術文章，如TMS（礦物金屬和材料學會）、輕金屬學會和智能數據工程、自動學習學會等學術會議。他還為Intech寫過兩章內容。Alan M.F. Souza是來自亞馬遜高級研究所（Instituto de Estudos Superiores daAmaz?nia，IESAM）的計算機工程師。他擁有軟體項目管理的研究生學位以及帕拉聯邦大學（Universidade FederaldoPará，UFPA）的工業過程（計算機應用）碩士學位。自2009年以來，他一直從事神經網路方面的工作，並從2006年開始與巴西的IT公司合作進行Java、PHP、SQL和其他編程語言的開發。他熱衷於編程和計算智能。目前，他是亞馬遜大學（Universidadeda Amaz?nia，UNAMA）的教授和帕拉聯邦大學的在讀博士生。
14. 自己動手寫神經網路
編輯推薦
AlphaGo戰勝李世石，標誌著新一輪人工智慧的浪潮已經來襲。 而你是否已經做好迎接新的人工智慧技術的準備？《自己動手寫神經網路》將帶你一探作為AlphaGo基石的人工神經網路。 《自己動手寫神經網路》不局限於紙上談兵，我們用代碼詮釋一切。《自己動手寫神經網路》可能改變你對人工智慧的態度。 深入講解人工神經網路的工作原理，並且能夠動手實踐人工神經網路書力求通俗易懂，使用儘可能簡單的語言描述人工神經網路的原理與理論。《自己動手寫神經網路》力求以具體實現與應用為導向，除了理論介紹外，每一章節的應用和實踐都有具體的實現詳解。全書使用Java作為主要語言，與Matlab等語言不同的是：Java語言是目前企業級軟體開發zui為流行的語言，因此，使用Java實現的神經網路具備更強的系統集成能力與實踐能力。由於Java語言本身通俗易懂，在基本語法上與C/C類似，因此，本書同樣適合沒有Java基礎的程序員。
內容簡介
《自己動手寫神經網路》講解通俗易懂，使用簡單的語言描述人工神經網路的原理，并力求以具體實現與應用為導向，除了理論介紹外，每一章節的應用和實踐都有具體的實例實現，讓讀者達到學以致用。《自己動手寫神經網路》分為11章，主要內容為：簡單的人工神經網路模型和理論應用；介紹了一個基於Java的人工神經網路框架Neuroph；介紹了基於Neuroph開發一個簡單的人工神經網路系統—感知機；介紹了ADALINE網路以及使用Neuroph實現ADALINE神經網路；介紹了BP神經網路的基本原理和具體實現；介紹了BP神經網路的具體實踐應用；介紹了Hopfield網路的原理、實踐和應用；介紹了雙向聯想網路BAM的原理、實踐和應用；介紹了競爭學習網路，特別是SOM網路以及相關演算法與實現；介紹了PCA方法以及與PCA方法等價的PCA神經網路。《自己動手寫神經網路》適合以下類型的讀者：對神經網路感興趣，期望可以初步了解神經網路原理的讀者；有一定編程經驗，期望學習和掌握神經網路的程序員；期望對神經網路進行實際應用的工程人員；任何一名神經網路愛好者。
15. OpenCV和Visual Studio圖像識別應用開發
無人駕駛人臉識別基礎技術 用OpenCV實現圖像處理應用 計算機視覺編程實戰手冊
編輯推薦
你是否對智能機器人、無人駕駛、人臉識別等技術感興趣呢？其實，這些技術都離不開圖像識別。圖像識別技術除了包括靜態文本的OCR掃描，還包括動態識別技術，如環境空間探測、動態物體追蹤、視頻比對分析等，這些技術可以在智能感應家電、自動化設備、家庭安保系統等各種環境中應用。本書從基本原理入手，通過充分的實例來介紹各種圖像處理應用的開發。程序代碼使用Visual Studio並結合C/C語言，幫助讀者掌握真正的應用場景和開發技能。本書適合對於圖像識別和處理技術感興趣並且想要學習OpenCV的應用和編程的讀者閱讀和參考。
內容簡介
OpenCV是可以在多平台下運行、並提供了多語言介面的一個庫，實現了圖像處理和計算機視覺方面的很多通用演算法。本書是介紹OpenCV結合Visual Studio進行圖像識別和處理的編程指南。全書共11章，介紹了OpenCV和VisualStudio的安裝設置，以及Core、HighGUI、ImgProc、Calib3d、Feature2d、Video、Objdetect、ML、Contrib等模塊，涉及文字處理、照片處理、圖像識別、OpenGL整合、硬體設備結合使用等眾多方面的功能，*后還給出了綜合應用的實例。本書適合對於圖像識別和處理技術感興趣，並且想要學習OpenCV的應用和編程的讀者閱讀和參考。
16精通Python自然語言處理
用Python開發令人驚訝的NLP項目 自然語言處理任務 掌握利用Python設計和構建給予NLP的應用的實踐
編輯推薦
自然語言處理（NLP）是有關計算語言學與人工智慧的研究領域之一。NLP主要關注人機交互，它提供了計算機和人類之間的無縫交互，使得計算機在機器學習的幫助下理解人類語言。本書詳細介紹如何使用Python執行各種自然語言處理（NLP）任務，並幫助讀者掌握利用Python設計和構建基於NLP的應用的zui佳實踐。本書引導讀者應用機器學習工具來開發各種各樣的模型。對於訓練數據的創建和主要NLP應用的實現，例如命名實體識別、問答系統、語篇分析、詞義消歧、信息檢索、情感分析、文本摘要以及指代消解等，本書都進行了清晰的介紹。本書有助於讀者使用NLTK創建NLP項目並成為相關領域的專家。通過閱讀本書，你將能夠: ● 實現字元串匹配演算法以及標準化技術； ● 實現統計語言建模技術； ●深刻理解詞幹提取器、詞形還原器、形態分析器以及形態生成器的開發； ●開發搜索引擎並實現詞性標註和統計建模（包含n-gram方法）等相關概念； ●熟悉諸如樹型庫建設、CFG建設、CYK以及Earley線圖解析演算法等相關概念； ●開發基於NER的系統並理解和應用情感分析的相關概念； ● 理解並實現信息檢索和文本摘要等相關概念； ●開發語篇分析系統以及基於指代消解的系統。
內容簡介
自然語言處理是計算語言學和人工智慧之中與人機交互相關的領域之一。本書是學習自然語言處理的一本綜合學習指南，介紹了如何用Python實現各種NLP任務，以幫助讀者創建基於真實生活應用的項目。全書共10章，分別涉及字元串操作、統計語言建模、形態學、詞性標註、語法解析、語義分析、情感分析、信息檢索、語篇分析和NLP系統評估等主題。本書適合熟悉Python語言並對自然語言處理開發有一定了解和興趣的讀者閱讀參考。
17. Python自然語言處理
Python自然語言處理方面的權威之作
快速了解一些概念及基本工作原理的必讀
提供豐富英文語料庫和代碼，方便練習
從輸入法聯想提示（predictivetext）、email過濾到自動文本匯總、機器翻譯，大量的語言相關的技術都離不開自然語言處理的支持，而這本書提供了自然語言處理的入門指南。通過本書，你將學到如何編寫能處理大量非結構化文本的Python程序。你可以訪問具有豐富標註的、涵蓋了語言學各種數據結構的數據集，而且你將學習分析書面文檔的內容以及結構的主要演算法。
通過大量的例子和練習，本書將幫助你：
從非結構化文本中提取信息，無論是猜測主題還是識別"命名實體"；
分析文本的語言學結構，包括語法和語義分析；
訪問流行的語言學數據集，包括WordNet和treebanks；
整合從語言學到人工智慧等多個領域的技術。
通過使用Python程序設計語言和自然語言工具包（NTLK）的開源庫，本書將幫助你增加自然語言處理的實際經驗。如果你對開發Web應用、分析多語言的新聞源或編製瀕危語言感興趣，或者只是想要從程序員的視角看人類語言如何運作，你將發現本書不僅有趣而且極其有用。
內容簡介
自然語言處理(Natural LanguageProcessing，NLP)是計算機科學領域與人工智慧領域中的一個重要方向。它研究能夠實現人與計算機之間用自然語言進行有效通信的各種理論和方法，涉及所有用計算機對自然語言進行的操作。
《Python自然語言處理》是自然語言處理領域的一本實用入門指南，旨在幫助讀者學習如何編寫程序來分析書面語言。《Python自然語言處理》基於Python編程語言以及一個名為NLTK的自然語言工具包的開源庫，但並不要求讀者有Python編程的經驗。全書共11章，按照難易程度順序編排。第1章到第3章介紹了語言處理的基礎，講述如何使用小的Python程序分析感興趣的文本信息。第4章討論結構化程序設計，以鞏固前面幾章中介紹的編程要點。第5章到第7章介紹語言處理的基本原理，包括標註、分類和信息提取等。第8章到第10章介紹了句子解析、句法結構識別和句意表達方法。第11章介紹了如何有效管理語言數據。後記部分簡要討論了NLP領域的過去和未來。
《Python自然語言處理》的實踐性很強，包括上百個實際可用的例子和分級練習。《Python自然語言處理》可供讀者用於自學，也可以作為自然語言處理或計算語言學課程的教科書，還可以作為人工智慧、文本挖掘、語料庫語言學等課程的補充讀物。
18.貝葉斯方法：概率編程與貝葉斯推斷
機器學習 人工智慧 數據分析從業者的技能基礎 國際傑出機器學習專家余凱博士 騰訊專家研究員岳亞丁博士推薦 下一個十年掌握貝葉斯方法 就像今天掌握C C++ Python一樣重要 全彩印刷
編輯推薦
•國際傑出機器學習專家、地平線機器人技術創始人和CEO、前百度研究院執行院長余凱博士，騰訊專家研究員岳亞丁博士推薦、審校•內容涉及Python語言庫PyMC，以及相關的工具，包括NumPy\SciPy\Matplotlib，無需複雜的數學分析，通過實例、從編程的角度介紹貝葉斯分析方法，大多數程序員都可以入門並掌握。本書的內容特色： •學習貝葉斯思維方式 •理解計算機如何進行貝葉斯推斷•利用PyMC Python庫進行編程來實現貝葉斯分析 •利用PyMC建模以及調試•測試模型的擬合優度 •打開馬爾科夫鏈蒙特卡洛演算法的黑盒子，看看它如何工作•利用大數定律的力量 •掌握聚類、收斂、自相關、細化等關鍵概念•根據目標和預期的結果，利用損失函數來推斷缺陷•選擇合理的先驗，並理解其如何隨著樣本量的大小而變化•克服"研發與開發"的困境：判斷是否已經足夠好了 •利用貝葉斯推斷改良A B測試•在可用數據量小的情況下，解決數據科學的問題
內容簡介
《貝葉斯方法概率編程與貝葉斯推斷》基於PyMC語言以及一系列常用的Python數據分析框架，如NumPy、SciPy和Matplotlib，通過概率編程的方式，講解了貝葉斯推斷的原理和實現方法。該方法常常可以在避免引入大量數學分析的前提下，有效地解決問題。書中使用的案例往往是工作中遇到的實際問題，有趣並且實用。作者的闡述也盡量避免冗長的數學分析，而讓讀者可以動手解決一個個的具體問題。通過對本書的學習，讀者可以對貝葉斯思維、概率編程有較為深入的了解，為將來從事機器學習、數據分析相關的工作打下基礎。本書適用於機器學習、貝葉斯推斷、概率編程等相關領域的從業者和愛好者，也適合普通開發人員了解貝葉斯統計而使用。
19. 貝葉斯思維：統計建模的Python學習法
機器學習 人工智慧 數據分析從業者大數據時代的技能基礎 Think Stats和Think Python圖書作者重磅出擊數據分析師 數據工程師 數據科學家案頭常備
編輯推薦
貝葉斯方法正在變得越來越常見與重要，但是卻沒有太多可以借鑒的資料來幫助初學者。基於AllenDowney在大學講授的本科課程，本書的計算方法能幫助你獲得一個良好的開端。
使用已有的編程技巧學習和理解貝葉斯統計
處理估計、預測、決策分析、假設的證據、假設檢驗等問題
從簡單的例子開始，包括硬幣問題、M&Ms豆問題、《龍與地下城》勇士投骰子問題、彩彈遊戲和冰球比賽問題
學習計算方法，解決諸如SAT分數含義、模擬腎腫瘤和人體微生物建模問題
內容簡介
這本書幫助那些希望用數學工具解決實際問題的人們，僅有的要求可能就是懂一點概率知識和程序設計。而貝葉斯方法是一種常見的利用概率學知識去解決不確定性問題的數學方法，對於一個計算機專業的人士，應當熟悉其應用在諸如機器翻譯，語音識別，垃圾郵件檢測等常見的計算機問題領域。
可是本書實際上會遠遠擴大你的視野，即使不是一個計算機專業的人士，你也可以看到在戰爭環境下（二戰德軍坦克問題），法律問題上（腎腫瘤的假設驗證），體育博彩領域（*隊和加人隊NFL比賽問題）貝葉斯方法的威力。怎麼從有限的信息判斷德軍裝甲部隊的規模，你所支持的球隊有多大可能贏得冠軍，在《龍與地下城》勇士中，你應當對遊戲角色屬性的*值有什麼樣的期望，甚至在普通的彩彈射擊遊戲中，擁有一些貝葉斯思維也能幫助到你提高遊戲水平。
除此以外，本書在共計15章的篇幅中討論了怎樣解決十幾個現實生活中的實際問題。在這些問題的解決過程中，作者還潛移默化的幫助讀者形成了建模決策的方法論，建模誤差和數值誤差怎麼取捨，怎樣為具體問題建立數學模型，如何抓住問題中的主要矛盾（模型中的關鍵參數），再一步一步的優化或者驗證模型的有效性或者局限性。在這個意義上，這本書又是一本關於數學建模的成功樣本。
20概率編程實戰
人工智慧領域的先驅、美國加州大學伯克利分校教授StuartRussell作序推薦！一本不可思議的Scala概率編程實戰書籍！
編輯推薦
概率推理是機器學習的核心方法之一，本書旨在向程序員，特別是Scala開發人員揭開概率建模的神秘面紗，以幫助程序員們高效地使用概率編程系統。藉助概率編程系統，通過應用特定的演算法，你的程序可以確定不同結論的概率。這意味著你可以預測未來事件，如銷售趨勢、計算機系統故障、試驗結果和其他許多重要的關注點。
本書的主要內容 ● 概率建模入門 ● 用Figaro 編寫概率程序 ● 構建貝葉斯網路 ● 預測產品生命周期 ● 決策演算法本書使用的Figaro概率編程語言是Scala庫，這使得概率編程模型更容易與Java虛擬機應用集成。同時，Figaro具備了目前概率編程系統中非常廣泛的表現特徵和推理演算法。Figaro還是一個開源GitHub項目，全新版本號為3.3。
內容簡介
概率推理是不確定性條件下做出決策的重要方法，在許多領域都已經得到了廣泛的應用。概率編程充分結合了概率推理模型和現代計算機編程語言，使這一方法的實施更加簡便，現已在許多領域（包括炙手可熱的機器學習）中嶄露頭角，各種概率編程系統也如雨後春筍般出現。本書的作者AviPfeffer正是主流概率編程系統Figaro的首席開發者，他以詳盡的實例、清晰易懂的解說引領讀者進入這一過去令人望而生畏的領域。通讀本書，可以發現概率編程並非"瘋狂科學家"們的專利，無需艱深的數學知識，就可以構思出解決許多實際問題的概率模型，進而利用現代概率編程系統的強大功能解題。本書既可以作為概率編程的入門讀物，也可以幫助已經有一定基礎的讀者熟悉Figaro這一概率編程利器。