本书以通俗易懂的语言，从历史的、发展的和辩证的视角分析人工智能的基本原理、发展趋势及其在日常生活中的应用。本书认为人工智能是后互联网时代、万物互联的产物，虽然在近年来取得了爆发性发展但是在研究思路、核心技术等方面还需要实质性的突破，这将是一个长期的、曲折的过程。对待人工智能，我们应该客观公正、全面系统地分析它的利弊优劣

《深度学习的数学》基于丰富的图示和具体示例，通俗易懂地介绍了深度学习相关的数学知识。第1章介绍神经网络的概况；第2章介绍理解神经网络所需的数学基础知识；第3章介绍神经网络的最优化；第4章介绍神经网络和误差反向传播法；第5章介绍深度学习和卷积神经网络。书中使用Excel进行理论验证，帮助读者直观地体验深度学习的原理。

本书构建了一个完整的深度强化学习理论和实践体系：从马尔可夫决策过程开始，根据价值函数、策略函数求解贝尔曼方程，到利用深度学习模拟价值网络和策略网络。书中详细介绍了深度强化学习相关算法，如Rainbow、Ape-X算法等，并阐述了相关算法的具体实现方式和代表性应用（如AlphaGo）。此外，本书还深度剖析了强化学习各算法

OpenCV库包含500多个函数，2500多种算法，可以扩展应用到视觉行业中的很多领域，有广泛的用途，比如安保，医学成像，模式与人脸识别，机器人和工业产品检测，等等。本书实用性强，内容全面，讲解透彻，可以帮助读者掌握如何构建具有一定AI（人工智能）的应用程序，使计算机能够看见并根据所得到的数据来做出决策。

本书从数学优化的角度对目前人工智能的代表技术机器学习进行分析，解决了目前这一领域偏向应用，数学理论较弱的问题，从原理、数学解析两个方面对特征提取、分类、聚类、神经网络等进行了全面系统的剖析。解决了目前人工智能领域偏向应用，数学理论较弱的问题，从原理解析、数学解析两个方面对机器学习进行剖析。

本书从现代机器学习的视角介绍了统计强化学习的基本概念和实用算法。它涵盖了各种类型的强化学习方法，包括基于模型的方法和与模型无关的方法，策略迭代和策略搜索方法。

深度学习并没有那么可怕。直到*近，这项机器学习方法还要经过数年的学习才能掌握，但是有了如Keras和TensorFlow这样的框架后，没有机器学习背景的软件工程师也可以快速进入这个领域。通过本书中的技巧，你将学会解决深度学习在生成和分类文本、图像和音乐方面的问题。 本书每章包括完成独立项目所需的几个技巧，如训练一个音乐

本书作为国内*本系统性地探讨设计与人工智能方面议题的学术专著，探讨了广义设计（观念、实践、应用、工具、方法等）和广义人工智能（观念、批判、技术、政策、伦理等）之间存在集合的可能性。全书共分为六大部分：数字经济下的设计，设计与数字经济、商业价值，数据和运算可为设计带来更多的可能性、无限想象，人脑与机器（人工智能）的比例

随着技术进步及计算能力的提升，人工智能技术开始进入新一轮的蓬勃发展周期，建立起了巨大的行业影响力并对日常生活产生了深远的影响，在中国，对人工智能产业和理论研究的扶持已经成为国家战略，在这样的背景下，人工智能进入学校成为必然趋势。本书基于一定的数学知识，对主流的人工智能技术做了系统介绍，并辅以代码和实例，做到可理解、可实

面对科技的迅猛发展，我国政府制定了《新一代人工智能发展规划》，将人工智能上升到国家战略层面，并提出：人工智能产业要成为新的重要经济增长点，而且要在2030年成为世界主要人工智能创新中心，为跻身创新型国家前列和经济强国奠定重要基础。让认知升级，让智能重构生活玩转智能时代，搞懂人工智能的过去、现在及未来这本书就够了！这本书