本书以Python为基础，使用Sklearn平台，逐步带领读者熟悉并掌握机器学习的经典算法。全书共12章，主要内容包括人工智能概述、Python科学计算、数据清洗与特征预处理、数据划分与特征提取、特征降维与特征选择、模型评估与选择、KNN算法、决策树、线性模型、朴素贝叶斯算法、支持向量机和k均值聚类算法，附录介绍了课程

《OpenCV4.0+Python机器学习与计算机视觉实战》详细阐述了机器学习与计算机视觉相关的基本解决方案，主要包括滤镜、深度传感器和手势识别、通过特征匹配和透视变换查找对象、使用运动恢复结构重建3D场景、在OpenCV中使用计算摄影、跟踪视觉上的显著对象、识别交通标志、识别面部表情、对象分类和定位、检测和跟踪对象等

本书结合了最新的深度学习技术应用成果，充分考虑了大学生的知识结构和学习特点，结合各个专业特点介绍了深度学习的基本概念及TensorFlow框架，以及深度学习在各个领域的具体应用。本书为高职高专院校深度学习基础课程教材重点介绍了神经网络与深度学习、TensorFlow环境使用、卷积神经网络、循环神经网络、迁移学习等内容。

本书系统地阐述机器学习的数学基础知识，但并非大学数学教材的翻版，而是以机器学习算法为依据，选取数学知识，并从应用的角度阐述各种数学定义、定理等，侧重于讲清楚它们的应用和实现方法。所以，书中将使用开发者喜欢的编程语言（Python）来实现各种数学计算，并阐述数学知识在机器学习算法中的应用体现。

本书是有关智能信息处理与量子智能计算方法及其应用的著作，系统介绍了智能信息处理与量子智能计算方面的基础理论及各种新技术、新方法，并从4G及5G移动通信、认知无线电、语音信号处理等角度进行了实例剖析。全书分为两篇共12章。第一篇“智能信息处理及其应用”侧重介绍智能信息处理领域的基本原理与关键技术；第二篇“量子智能信息处理

本书系统地介绍了人工智能的基本原理、方法和应用技术，比较全面地反映了人工智能领域当前的研究进展和发展方向。全书共8章，具体内容包括人工智能的基本概念和发展概况、脑与认知、机器感知、知识表示与推理、计算智能、模式识别与机器学习、人工智能系统的硬件基础、人工智能系统的应用。为了便于读者理解，在介绍关键技术的同时，列举了一些

本书以高校和企业合作的人工智能大数据标注基地的实际运作经验为基础,将自己在AI大数据标注工厂中所领悟到的管理方法和所使用的技术平台进行详细阐述,并结合实际案例进行讲解,在兼顾初学者的同时,更偏重于如何以数据标注工厂的层面从管理方法和技术手段上提高AI大数据标注生产能力的探讨。

本书较为全面地介绍了深度学习模型训练、计算机视觉模型应用、自然语言处理模型应用等技术。全书共9个实训项目,包括深度学习全连接神经网络应用、深度学习卷积神经网络应用、深度学习循环神经网络应用、计算机视觉模型数据准备、计算机视觉模型训练与应用、计算机视觉模型部署、自然语言处理预训练模型数据准备、自然语言处理预训练模型训练与

本书较为全面地介绍了深度学习应用场景下的人工智能技术服务、深度学习数据应用、深度学习基础应用等技术。全书共10个实训项目,包括人工智能需求分析、人工智能产品设计、人工智能平台应用、数据采集工程应用、数据处理工程应用、数据标注工程应用、机器学习模型训练、深度学习框架应用开发、深度学习框架基础功能应用、深度学习线性回归模型

本书较为全面地介绍了深度学习应用场景下的数据采集、数据处理、数据标注等技术。全书共12个实训项目,包括数据采集概述、网络数据采集、端侧数据采集、数据存储与加载、数据处理概述、图像类数据处理、文本类数据处理、数据标注概述、图像数据标注、文本数据标注、深度学习图像分类应用实战、深度学习情感分析应用实战等。本书以企业用人需求