21个项目玩转深度学习：基于Tensorflow的实践详解_人工智能教程 人工智能
资源名称：21个项目玩转深度学习：基于Tensorflow的实践详解
内容简介：
《21 个项目玩转深度学习——基于TensorFlow 的实践详解》以实践为导向，深入介绍了深度学习技术和TensorFlow 框架编程内容。
通过本书，读者可以训练自己的图像识别模型、进行目标检测和人脸识别、完成一个风格迁移应用，还可以使用神经网络生成图像和文本，进行时间序列预测、搭建机器翻译引擎，训练机器玩游戏。全书共包含21 个项目，分为深度卷积网络、RNN网络、深度强化学习三部分。读者可以在自己动手实践的过程中找到学习的乐趣，了解算法和编程框架的细节，让学习深度学习算法和TensorFlow 的过程变得轻松和高效。本书代码基于TensorFlow 1.4 及以上版本，并介绍了TensorFlow 中的一些新特性。
本书适合有一定机器学习基础的学生、研究者或从业者阅读，尤其是希望深入研究TensorFlow 和深度学习算法的数据工程师，也适合对人工智能、深度学习感兴趣的在校学生，以及希望进入大数据应用的研究者。
资源目录：
第1章 MNIST机器学习入门 1
1.1 MNIST数据集 2
1.1.1 简介 2
1.1.2 实验：将MNIST数据集保存为图片 5
1.1.3 图像标签的独热(one-hot)表示 6
1.2 利用TensorFlow识别MNIST 8
1.2.1 Softmax回归 8
1.2.2 两层卷积网络分类 14
1.3 总结 18
第2章 CIFAR-10与ImageNet图像识别 19
2.1 CIFAR-10数据集 20
2.1.1 CIFAR-10简介 20
2.1.2 下载CIFAR-10数据 21
2.1.3 TensorFlow的数据读取机制 23
2.1.4 实验：将CIFAR-10数据集保存为图片形式 30
2.2 利用TensorFlow训练CIFAR-10识别模型 34
2.2.1 数据增强（Data Augmentation） 34
2.2.2 CIFAR-10识别模型 36
2.2.3 训练模型 39
2.2.4 在TensorFlow中查看训练进度 39
2.2.5 测试模型效果 42
2.3 ImageNet图像识别模型 44
2.3.1 ImageNet数据集简介 44
2.3.2 历代ImageNet图像识别模型 45
2.4 总结 49
第3章 打造自己的图像识别模型 50
3.1 微调（Fine-tune）的原理 51
3.2 数据准备 52
3.3 使用TensorFlow Slim微调模型 56
3.3.1 下载TensorFlow Slim的源代码 56
3.3.2 定义新的datasets文件 57
3.3.3 准备训练文件夹 59
3.3.4 开始训练 60
3.3.5 训练程序行为 62
3.3.6 验证模型正确率 63
3.3.7 TensorBoard可视化与超参数选择 64
3.3.8 导出模型并对单张图片进行识别 65
3.4 总结 69
第4章 Deep Dream模型 70
4.1 Deep Dream的技术原理 71
4.2 TensorFlow中的Deep Dream模型实践 73
4.2.1 导入Inception模型 73
4.2.2 生成原始的Deep Dream图像 76
4.2.3 生成更大尺寸的Deep Dream图像 78
4.2.4 生成更高质量的Deep Dream图像 82
4.2.5 最终的Deep Dream模型 87
4.3 总结 90
第5章 深度学习中的目标检测 91
5.1 深度学习中目标检测的原理 92
5.1.1 R-CNN的原理 92
5.1.2 SPPNet的原理 94
5.1.3 Fast R-CNN的原理 97
5.1.4 Faster R-CNN的原理 98
5.2 TensorFlow Object Detection API 101
5.2.1 安装TensorFlow Object Detection API 101
5.2.2 执行已经训练好的模型 103
5.2.3 训练新的模型 109
5.2.4 导出模型并预测单张图片 113
5.3 总结 114
第6章 人脸检测和人脸识别 115
6.1 MTCNN的原理 116
6.2 使用深度卷积网络提取特征 121
6.2.1 三元组损失（Triplet Loss）的定义 123
6.2.2 中心损失（Center Loss）的定义 123
6.3 使用特征设计应用 125
6.4 在TensorFlow中实现人脸识别 126
6.4.1 项目环境设置 126
6.4.2 LFW人脸数据库 127
6.4.3 LFW数据库上的人脸检测和对齐 128
6.4.4 使用已有模型验证LFW数据库准确率 129
6.4.5 在自己的数据上使用已有模型 130
6.4.6 重新训练新模型 133
6.4.7 三元组损失和中心损失的定义 138
6.5 总结 140
第7章 图像风格迁移 141
7.1 图像风格迁移的原理 142
7.1.1 原始图像风格迁移的原理 142
7.1.2 快速图像风格迁移的原理 148
7.2 在TensorFlow中实现快速风格迁移 149
7.2.1 使用预训练模型 150
7.2.2 训练自己的模型 153
7.2.3 在TensorBoard中监控训练情况 154
7.2.4 项目实现细节 157
7.3 总结 162
第8章 GAN和DCGAN入门 163
8.1 GAN的原理 164
8.2 DCGAN的原理 166
8.3 在TensorFlow中用DCGAN生成图像 169
8.3.1 生成MNIST图像 170
8.3.2 使用自己的数据集训练 171
8.3.3 程序结构分析：如何将图像读入模型 173
8.3.4 程序结构分析：可视化方法 177
8.4 总结 180
第9章 pix2pix模型与自动上色技术 181
9.1 cGAN的原理 182
9.2 pix2pix模型的原理 184
9.3 TensorFlow中的pix2pix模型 187
9.3.1 执行已有的数据集 187
9.3.2 创建自己的数据集 191
9.4 使用TensorFlow为灰度图像自动上色 194
9.4.1 为食物图片上色 194
9.4.2 为动漫图片进行上色 196
9.5 总结 198
第10章 超分辨率：如何让图像变得更清晰 199
10.1 数据预处理与训练 200
10.1.1 去除错误图片 200
10.1.2 将图像裁剪到统一大小 202
10.1.3 为代码添加新的操作 202
10.2 总结 209
第11章 CycleGAN与非配对图像转换 210
11.1 CycleGAN的原理 211
11.2 在TensorFlow中用训练CycleGAN模型 213
11.2.1 下载数据集并训练 213
11.2.2 使用自己的数据进行训练 217
11.3 程序结构分析 220
11.4 总结 224
第12章 RNN基本结构与Char RNN文本生成 225
12.1 RNN的原理 226
12.1.1 经典RNN的结构 226
12.1.2 N VS 1 RNN的结构 229
12.1.3 1 VS N RNN的结构 230
12.2 LSTM的原理 231
12.3 Char RNN的原理 235
12.4 TensorFlow中的RNN实现方式 237
12.4.1 实现RNN的基本单元：RNNCell 238
12.4.2 对RNN进行堆叠：MultiRNNCell 239
12.4.3 注意点：BasicRNNCell和BasicLSTMCell的output 240
12.4.4 使用tf.nn.dynamic_rnn展开时间维度 241
12.5 使用TensorFlow实现Char RNN 242
12.5.1 定义输入数据 243
12.5.2 定义多层LSTM模型 244
12.5.3 定义损失 245
12.5.4 训练模型与生成文字 246
12.5.5 更多参数说明 250
12.5.6 运行自己的数据 250
12.6 总结 251
第13章 序列分类问题详解 252
13.1 N VS 1的RNN结构 253
13.2 数列分类问题与数据生成 254
13.3 在TensorFlow中定义RNN分类模型 258
13.3.1 定义模型前的准备工作 258
13.3.2 定义RNN分类模型 259
13.3.3 定义损失并进行训练 261
13.4 模型的推广 262
13.5 总结 263
第14章 词的向量表示：word2vec与词嵌入 264
14.1 为什么需要做词嵌入 265
14.2 词嵌入的原理 266
14.2.1 CBOW实现词嵌入的原理 266
14.2.2 Skip-Gram实现词嵌入的原理 269
14.3 在TensorFlow中实现词嵌入 270
14.3.1 下载数据集 270
14.3.2 制作词表 272
14.3.3 生成每步的训练样本 274
14.3.4 定义模型 276
14.3.5 执行训练 279
14.3.6 可视化 281
14.4 与第12章的对比 284
14.5 总结 285
第15章 在TensorFlow中进行时间序列预测 286
15.1 时间序列问题的一般形式 287
15.2 用TFTS读入时间序列数据 287
15.2.1 从Numpy数组中读入时间序列数据 288
15.2.2 从CSV文件中读入时间序列数据 291
15.3 使用AR模型预测时间序列 293
15.3.1 AR模型的训练 293
15.3.2 AR模型的验证和预测 295
15.4 使用LSTM模型预测时间序列 297
15.4.1 LSTM模型中的单变量时间序列预测 297
15.4.2 LSTM模型中的多变量时间序列预测 299
15.5 总结 301
第16章 神经网络机器翻译技术 302
16.1 Encoder-Decoder模型的原理 303
16.2 注意力机制（Attention） 305
16.3 使用TensorFlow NMT搭建神经网络翻译引擎 309
16.3.1 示例：将越南语翻译为英语 309
16.3.2 构建中英翻译引擎 313
16.4 TensorFlow NMT源码简介 317
16.5 总结 319
第17章 看图说话：将图像转换为文字 320
17.1 Image Caption技术综述 321
17.1.1 从Encoder-Decoder结构谈起 321
17.1.2 将Encoder-Decoder应用到Image Caption任务上 322
17.1.3 对Encoder-Decoder的改进1：加入Attention机制 323
17.1.4 对Encoder-Decoder的改进2：加入高层语义 325
17.2 在TensorFlow中实现Image Caption 327
17.2.1 下载代码 327
17.2.2 环境准备 328
17.2.2 编译和数据准备 328
17.2.3 训练和验证 330
17.2.4 测试单张图片 331
17.3 总结 332
第18章 强化学习入门之Q 333
18.1 强化学习中的几个重要概念 334
18.2 Q Learning的原理与实验 336
18.2.1 环境定义 336
18.2.2 Q函数 338
18.2.3 Q函数的学习策略 339
18.2.4 ?-greedy策略 341
18.2.5 简单的Q Learning示例 341
18.2.6 更复杂的情况 342
18.3 总结 343
第19章 强化学习入门之SARSA算法 344
19.1 SARSA 算法的原理 345
19.1.1 通过与Q Learning对比学习SARSA算法 345
19.1.2 off-policy与on-policy 346
19.2 SARSA 算法的实现 347
19.3 总结 348
第20章 深度强化学习：Deep Q Learning 349
20.1 DQN算法的原理 350
20.1.1 问题简介 350
20.1.2 Deep Q Network 351
20.1.3 训练方法 352
20.2 在TensorFlow中运行DQN算法 353
20.2.1 安装依赖库 353
20.2.2 训练 355
20.2.3 测试 356
20.3 在TensorFlow中DQN算法的实现分析 357
20.4 总结 360
第21章 策略梯度（Policy Gradient）算法 361
21.1 策略梯度（Policy Gradient）算法的原理 362
21.1.1 Cartpole游戏 362
21.1.2 策略网络（Policy Network） 363
21.1.3 训练策略网络 364
21.2 在TensorFlow中实现策略梯度 算法 365
21.2.1 初始化 365
21.2.2 定义策略网络 366
21.2.3 训练 367
21.3 总结 371
资源截图：
tensorflow实战_人工智能教程 人工智能
资源名称：tensorflow实战
内容简介：
Google近日发布了TensorFlow 1.0候选版，这个稳定版将是深度学习框架发展中的里程碑的一步。自TensorFlow于2015年底正式开源，距今已有一年多，这期间TensorFlow不断给人以惊喜，推出了分布式版本，服务框架TensorFlow Serving，可视化工具TensorFlow，上层封装TF.Learn，其他语言（Go、Java、Rust、Haskell）的绑定、Windows的支持、JIT编译器XLA、动态计算图框架Fold，以及数不胜数的经典模型在TensorFlow上的实现（Inception Net、SyntaxNet等）。在这一年多时间，TensorFlow已从初入深度学习框架大战的新星，成为了几近垄断的行业事实标准。
《TensorFlow实战》希望用简单易懂的语言带领大家探索TensorFlow（基于1.0版本API）。在《TensorFlow实战》中我们讲述了TensorFlow的基础原理，TF和其他框架的异同。并用具体的代码完整地实现了各种类型的深度神经网络：AutoEncoder、MLP、CNN（AlexNet，VGGNet，Inception Net，ResNet）、Word2Vec、RNN（LSTM，Bi-RNN）、Deep Reinforcement Learning(Policy Network、Value Network)。此外，《TensorFlow实战》还讲解了TensorBoard、多GPU并行、分布式并行、TF.Learn和其他TF.Contrib组件。《TensorFlow实战》希望能帮读者快速入门TensorFlow和深度学习，在工业界或者研究中快速地将想法落地为可实践的模型。
资源目录：
1 TensorFlow基础 1
1.1 TensorFlow概要 1
1.2 TensorFlow编程模型简介 4
2 TensorFlow和其他深度学习框架的对比 18
2.1 主流深度学习框架对比 18
2.2 各深度学习框架简介 20
3 TensorFlow第一步 39
3.1 TensorFlow的编译及安装 39
3.2 TensorFlow实现SoftmaxRegression识别手写数字 46
4 TensorFlow实现自编码器及多层感知机 55
4.1 自编码器简介 55
4.2 TensorFlow实现自编码器 59
4.3 多层感知机简介 66
4.4 TensorFlow实现多层感知机 70
5 TensorFlow实现卷积神经网络 74
5.1 卷积神经网络简介 74
5.2 TensorFlow实现简单的卷积网络 80
5.3 TensorFlow实现进阶的卷积网络 83
6 TensorFlow实现经典卷积神经网络 95
6.1 TensorFlow实现AlexNet 97
6.2 TensorFlow实现VGGNet 108
6.3 TensorFlow实现GoogleInceptionNet 119
6.4 TensorFlow实现ResNet 143
6.5 卷积神经网络发展趋势 156
7 TensorFlow实现循环神经网络及Word2Vec 159
7.1 TensorFlow实现Word2Vec 159
7.2 TensorFlow实现基于LSTM的语言模型 173
7.3 TensorFlow实现BidirectionalLSTMClassifier 188
8 TensorFlow实现深度强化学习 195
8.1 深度强化学习简介 195
8.2 TensorFlow实现策略网络 201
8.3 TensorFlow实现估值网络 213
9 TensorBoard、多GPU并行及分布式并行 233
9.1 TensorBoard 233
9.2 多GPU并行 243
9.3 分布式并行 249
10 TF.Learn从入门到精通 259
10.1 分布式Estimator 259
10.2 深度学习Estimator 267
10.3 机器学习Estimator 272
10.4 DataFrame 278
10.5 监督器Monitors 279
11 TF.Contrib的其他组件 283
11.1 统计分布 283
11.2 Layer模块 285
11.3 性能分析器tfprof 293
参考文献 297
资源截图：
人工智能及其应用（第5版）_人工智能教程 人工智能
资源名称：人工智能及其应用（第5版）
内容简介：
本书第5版共10章。第1章叙述人工智能的定义、起源、分类与发展。第2章和第3章研究人工智能的知识表示方法和搜索推理技术。第4章探讨不确定性推理的主要方法。第5章阐述计算智能的基本知识。第6章至第10章逐一讨论了人工智能的主要应用领域，包括专家系统、机器学习、自动规划、分布式人工智能和自然语言理解等。与第4版相比，许多内容都是第一次出现的，例如，人工智能的分类与计算方法、谓词演算符号的规范、进化算法的框架与执行过程、专家系统的设计方法和基于Web专家系统的开发工具以及深度学习等。其他章节也在第4版的基础上作了相应的修改、精简或补充。 本书可作为高等院校有关专业本科生和研究生的人工智能课程教材，也可供从事人工智能研究与应用的科技工作者学习参考。
资源目录：
第1章绪论
1.1人工智能的定义与发展
1.1.1人工智能的定义
1.1.2人工智能的起源与发展
1.2人工智能的各种认知观
1.2.1人工智能各学派的认知观
1.2.2人工智能的争论
1.3人类智能与人工智能
1.3.1智能信息处理系统的假设
1.3.2人类智能的计算机模拟
1.4人工智能系统的分类
1.5人工智能的研究目标和内容
1.5.1人工智能的研究目标
1.5.2人工智能研究的基本内容
1.6人工智能的研究与计算方法
1.6.1人工智能的研究方法
1.6.2人工智能的计算方法
1.7人工智能的研究与应用领域
1.8本书概要
习题1
第2章知识表示方法
2.1状态空间表示
2.1.1问题状态描述
2.1.2状态图示法
2.2问题归约表示
2.2.1问题归约描述
2.2.2与或图表示
2.3谓词逻辑表示
2.3.1谓词演算
2.3.2谓词公式
2.3.3置换与合一
2.4语义网络表示
2.4.1二元语义网络的表示
2.4.2多元语义网络的表示
2.4.3语义网络的推理过程
2.5框架表示
2.5.1框架的构成
2.5.2框架的推理
2.6本体技术
2.6.1本体的概念
2.6.2本体的组成与分类
2.6.3本体的建模
2.7过程表示
2.8小结
习题2
第3章确定性推理
3.1图搜索策略
3.2盲目搜索
3.2.1宽度优先搜索
3.2.2深度优先搜索
3.2.3等代价搜索
3.3启发式搜索
3.3.1启发式搜索策略和估价函数
3.3.2有序搜索
3.3.3A*算法
3.4消解原理
3.4.1子句集的求取
3.4.2消解推理规则
3.4.3含有变量的消解式
3.4.4消解反演求解过程
3.5规则演绎系统
3.5.1规则正向演绎系统
3.5.2规则逆向演绎系统
3.5.3规则双向演绎系统
3.6产生式系统
3.6.1产生式系统的组成
3.6.2产生式系统的推理
3.6.3产生式系统举例
3.7非单调推理
3.7.1缺省推理
3.7.2真值维持系统
3.8小结
习题3
第4章非经典推理
4.1经典推理和非经典推理
4.2不确定性推理
4.2.1不确定性的表示与量度
4.2.2不确定性的算法
4.3概率推理
4.3.1概率的基本性质和计算公式
4.3.2概率推理方法
4.4主观贝叶斯方法
4.4.1知识不确定性的表示
4.4.2证据不确定性的表示
4.4.3主观贝叶斯方法的推理过程
4.5可信度方法
4.5.1基于可信度的不确定性表示
4.5.2可信度方法的推理算法
4.6证据理论
4.6.1证据理论的形式化描述
4.6.2证据理论的不确定性推理模型
4.6.3推理示例
4.7小结
习题4
第5章计算智能
5.1概述
5.2神经计算
5.2.1人工神经网络研究的进展
5.2.2人工神经网络的结构
5.2.3人工神经网络示例及其算法
5.2.4基于神经网络的知识表示与推理
5.3模糊计算
5.3.1模糊集合、模糊逻辑及其运算
5.3.2模糊逻辑推理
5.4进化算法与遗传算法
5.4.1进化算法原理
5.4.2进化算法框架
5.4.3遗传算法的编码与解码
5.4.4遗传算法的遗传算子
5.4.5遗传算法的执行过程
5.4.6遗传算法的执行实例
5.5人工生命
5.5.1人工生命研究的起源和发展
5.5.2人工生命的定义和研究意义
5.5.3人工生命的研究内容和方法
5.5.4人工生命实例
5.6粒群优化算法
5.6.1群智能和粒群优化概述
5.6.2粒群优化算法
5.7蚁群算法
5.7.1蚁群算法理论
5.7.2蚁群算法的研究与应用
5.8小结
习题5
第6章专家系统
6.1专家系统概述
6.1.1专家系统的定义与特点
6.1.2专家系统的结构和建造步骤
6.2基于规则的专家系统
6.2.1基于规则专家系统的工作模型和结构
6.2.2基于规则专家系统的特点
6.3基于框架的专家系统
6.3.1基于框架专家系统的定义、结构和设计方法
6.3.2基于框架专家系统的继承、槽和方法
6.4基于模型的专家系统
6.4.1基于模型专家系统的提出
6.4.2基于神经网络的专家系统
6.5基于Web的专家系统
6.5.1基于Web专家系统的结构
6.5.2基于Web专家系统的实例
6.6新型专家系统
6.6.1新型专家系统的特征
6.6.2分布式专家系统
6.6.3协同式专家系统
6.7专家系统的设计
6.7.1专家系统的设计过程
6.7.2基于规则专家系统的一般设计方法
6.7.3反向推理规则专家系统的设计任务
6.8专家系统开发工具
6.8.1专家系统的传统开发工具
6.8.2专家系统的Matlab开发工具
6.9小结
习题6
第7章机器学习
7.1机器学习的定义和发展历史
7.1.1机器学习的定义
7.1.2机器学习的发展史
7.2机器学习的主要策略与基本结构
7.2.1机器学习的主要策略
7.2.2机器学习系统的基本结构
7.3归纳学习
7.3.1归纳学习的模式和规则
7.3.2归纳学习方法
7.4决策树学习
7.4.1决策树和决策树构造算法
7.4.2决策树学习算法ID3
7.5类比学习
7.5.1类比推理和类比学习形式
7.5.2类比学习过程与研究类型
7.6解释学习
7.6.1解释学习过程和算法
7.6.2解释学习举例
7.7神经网络学习
7.7.1基于反向传播网络的学习
7.7.2基于Hopfield网络的学习
7.8知识发现
7.8.1知识发现的发展和定义
7.8.2知识发现的处理过程
7.8.3知识发现的方法
7.8.4知识发现的应用
7.9增强学习
7.9.1增强学习概述
7.9.2Q学习
7.10深度学习
7.10.1深度学习的定义与特点
7.10.2深度学习基础及神经网络
7.10.3深度学习的常用模型
7.10.4深度学习应用简介
7.10.5总结与展望
7.11小结
习题7
第8章自动规划
8.1自动规划概述
8.1.1规划的概念和作用
8.1.2规划的分类和问题分解途径
8.1.3执行规划系统任务的一般方法
8.2任务规划
8.2.1积木世界的机器人规划
8.2.2STRIPS规划系统
8.2.3具有学习能力的规划系统
8.2.4分层规划
8.2.5基于专家系统的机器人规划
8.3路径规划
8.3.1机器人路径规划的主要方法和发展趋势
8.3.2基于模拟退火算法的机器人局部路径规划
8.3.3基于免疫进化和示例学习的机器人路径规划
8.3.4基于蚁群算法的机器人路径规划
8.4轨迹规划简介
8.5小结
习题8
第9章分布式人工智能与Agent(真体)
9.1分布式人工智能
9.2Agent及其要素
9.2.1Agent的定义和译法
9.2.2真体的要素和特性
9.3真体的结构
9.3.1真体的抽象结构和结构特点
9.3.2真体结构的分类
9.4真体通信
9.4.1通信的过程
9.4.2真体通信的类型和方式
9.4.3交谈的规划与实现
9.4.4真体的通信语言
9.5移动真体和多真体系统
9.5.1移动真体的定义和系统构成
9.5.2多真体系统的特征和关键技术
9.5.3多真体系统的模型和结构
9.5.4多真体的协作、协商和协调
9.5.5多真体的学习与规划
9.5.6多真体系统的研究和应用领域
9.6小结
习题9
第10章自然语言理解
10.1自然语言理解概述
10.1.1语言与语言理解
10.1.2自然语言处理的概念和定义
10.1.3自然语言处理的研究领域和意义
10.1.4自然语言理解研究的基本方法和进展
10.1.5自然语言理解过程的层次
10.2词法分析
10.3句法分析
10.3.1短语结构语法
10.3.2乔姆斯基形式语法
10.3.3转移网络
10.3.4扩充转移网络
10.3.5词汇功能语法
10.4语义分析
10.5句子的自动理解
10.5.1简单句的理解方法
10.5.2复合句的理解方法
10.6语料库语言学
10.7文本的自动翻译——机器翻译
10.8自然语言理解系统的主要模型
10.9自然语言理解系统应用举例
10.9.1自然语言自动理解系统
10.9.2自然语言问答系统
10.10小结
习题10
结束语
参考文献
索引
资源截图：
人工智能的未来 PDF_人工智能教程 人工智能
资源名称：人工智能的未来 PDF
内容简介：
陕西科技出版社最新引进美国图书《人工智能的未来》（On Intelligence）一书，是由杰夫•霍金斯，一位在硅谷极其成功、受人尊敬的计算机工程师、企业家与桑德拉•布拉克斯莉，《纽约日报》的栏目作家共同撰写。本书对人类大脑皮层所具有的知觉、认识、行为和智能功能新理论提出了新的理论构想。这一理论的独到之处在于对大脑皮层的现行认识提出了新的观点，对大脑的工作原理，即霍金斯称之为“真正智能”而非计算机式的人工智能立论扎实，观点独特、新颖，阐述精密。对大脑及其工作原理感兴趣的朋友不妨读读，必有收获。
本书共八章，人工智能、神经网络、人脑、记忆、智能理论新架构、大脑皮层工作原理、意识和创造力、智能之未来。
作者简介：
杰夫·霍金斯(Jeff Hawkins)，成功的计算机工程师和企业家，掌上型电脑PalmPilot、智能电话Treo等产品的发明人。他创建了两家大名鼎鼎的公司——Palm Computin和Handspring，成立了致力于对记忆和认知研究的“红杉”神经系统科学研究所，同时，也是Cold Spring Harbor实验室科学委员会的一名成员。
最后，霍金斯及其合伙人又宣布成立Numenta（源自拉丁语，意为“头脑”）公司，旨在把《人工智能的未来》一书中关于大脑的理论转化为实用技术。
桑德拉·布拉克斯莉(Sandra Blakeslee)，《纽约时报》科普专栏作家，著有多部畅销科普作品。
资源目录：
各方赞誉
推荐序 解放思想
段永朝
财讯传媒集团首席战略官
引言 洞悉人类思维的奥秘
第1章 史上著名的思想实验
历史上出现过很多著名的思想实验，特别是关于自然界的思想实验，爱因斯坦的“驾乘光束”实验就是其一。研究大脑，也可以采用同样的办法。通过简单的思想实验，我们就能很好地理解人类智慧是怎么一回事儿。
思想实验1：地质的隐喻
思想实验2：驾乘光束
大脑新皮质的统一模式
第2章 思考的思想实验
大脑和计算机都能存储和处理信息，但是，大脑和计算机之间的相似性可不只是看上去那么简单。大脑的记忆是层级结构和连贯有序的。记忆奇妙地出现在你的脑海里，一定是某些事物触发了它们。
思考，人脑不同于计算机
字母表的倒背难题，记忆是连贯有序的
联想因触发而生
从刷牙到写诗，不可或缺的记忆层级
第3章 大脑新皮质模型，思维模式识别理论
大脑新皮质分 6 层，共包含 300 亿个神经元，它们又组成了 3 亿个模式识别器。这些模式识别器按层级关系组织，它们是思想的语言和思维模式识别理论的基础。只有具备自联想能力和特征恒常性能力，大脑新皮质才能识别模式。思维模式分两种：定向思维和非定向思维，做梦就是非定向思维实例。
模式的层级
模式的结构
流向大脑新皮质模式识别器的数据本质
自联想和恒常性
学习
思想的语言
梦的语言
模型的根源
第4章人类的大脑新皮质
尽管进化带来的改变并不总是朝着更高的智能水平前进，但是，智能仍是一个重要的进化分支。大脑新皮质的分层学习能力如此重要，以至于它在进化过程中体积变得越来越大，并最终成为大脑的主体。大脑运转时，并不以神经元为基础，而是神经元集合。
智能，一个重要的进化分支
新皮质的分层学习能力
积木式神经元集合，思维模式识别的基础
视觉皮质与通用算法
第5章 旧脑
虽然大脑新皮质已成为大脑的主体，但我们的旧脑并未消失，仍在帮助我们寻求满足和躲避危险。丘脑的突出作用是与新皮质持续联络，海马体存储最新记忆，而小脑则负责人体动作的协调。
感觉通路
丘脑
海马体
小脑
控制快乐与恐惧权
第6章 新皮质的卓越能力
人类的卓越能力，主要归功于大脑脑岛中的纺锤体细胞。大脑新皮质某些区域的优化，使其更善于处理联合模式，这就是天分的由来。跨领域合作和非生物大脑新皮质的云端存储，将让我们更富有创造力。从进化观点看，爱情的存在就缘于大脑新皮质的需求。
天分
创造力
爱情
第7章仿生数码新皮质
我们现在已经能模拟包含 160万个视觉神经元的人脑视觉新皮质，模拟完整人类大脑的目标预计 2023年就可实现。“矢量量化”方法既能高效利用计算机资源，又能保留重要的语言识别特征。隐马尔可夫模型让语音识别系统能同时完成识别和学习两项任务。
脑模拟
神经网络
矢量量化
用隐马尔可夫模型解读你的思维
进化（遗传）算法
列表处理语言LISP
分层记忆系统
人工智能前沿：登上能力层级顶端
创建人工大脑
第8章模拟人脑，计算机不可或缺的4大思维
尽管人脑的思维模式极为精巧，我们仍然可以通过软件对人脑进行模拟。要想做到这一点，计算机必须要具备准确的沟通、记忆和计算能力，具有计算的通用性和冯·诺依曼结构，并且能够按大脑核心算法进行创造性思维。
准确的沟通、记忆和计算能力
计算的通用性
冯·诺依曼结构
按大脑核心算法进行创造性思考
第9章思维的思想实验
意识来源于复杂物理系统的“涌现特性”（emergent property），可感受的“特质”（qualia）是其突出特征。成功模拟人脑的计算机也是有意识的。思维就是有意识大脑所进行的活动。非生物学意义上的“人”将于 2029年出现。将非生物系统引入人脑，不会改变我们的身份，但却产生了另外一个“我”。把我们的大部分思想储存在云端，人类就能实现“永生”。
谁是有意识的
你必须有信仰
我们能够意识到什么
东方是东方，西方是西方
自由意志
本体意识
第10章有关思维的加速回报定律
信息技术的发展，都遵循着加速回报定律，与思维相关的技术也不例外。随着人类基因组计划的实施，生物医学已成为一项信息技术，并呈指数型发展。在互联网上，每秒比特的传递量每 16个月就翻一番。磁共振成像技术，也以指数级速度稳定发展，目前的空间分辨率已接近 100微米。
生物医学
信息传输
大脑研究与再造
第11章 反对大浪潮
加速回报定律及其在人类智能提高方面的应用，也招致了不少批评。保罗·艾伦对“指数发展说”完全持否定态度；罗杰·彭罗斯认为，计算机无法像人脑那样进行量子计算；约翰·塞尔说，计算机即便能够通过图灵测试，它也不知道自己在做些什么。
“奇点遥远”论
“量子计算能力缺失”论
“无意识”论
后记拥抱“奇点”
注释
译者后记
资源截图：
2017电脑报年第3期正在到来的革命_人工智能教程 人工智能
资源名称：2017电脑报年第3期正在到来的革命
2017年第3期-正在到来的革命，PDF可以免费分享了，在这期未来科技引领生活篇章，为用户介绍了无数将来要实现的科技，这些神奇的科技不断改变着人们的生活，而且中国科技变得越来越强大，还有热门内侧游戏、娱乐八卦等着大家，喜欢的朋友快来下载观看！
资源截图：
TensorFlow：实战Google深度学习框架 PDF_人工智能教程 人工智能
资源名称：TensorFlow：实战Google深度学习框架 PDF
内容简介：
TensorFlow是谷歌2015年开源的主流深度学习框架，目前已在谷歌、优步（Uber）、京东、小米等科技公司广泛应用。《Tensorflow实战》为使用TensorFlow深度学习框架的入门参考书，旨在帮助读者以最快、最有效的方式上手TensorFlow和深度学习。书中省略了深度学习繁琐的数学模型推导，从实际应用问题出发，通过具体的TensorFlow样例程序介绍如何使用深度学习解决这些问题。《Tensorflow实战》包含了深度学习的入门知识和大量实践经验，是走进这个最新、最火的人工智能领域的首选参考书。
作者简介：
郑泽宇，现为才云科技（Caicloud.io）联合创始人、首席大数据科学家。针对分布式TensorFlow上手难、管理难、监控难、上线难等问题，他带领团队成功开发了国内首个成熟的分布式TensorFlow深度学习平台（TensorFlow as a Service）。基于此平台，才云大数据团队为安防、电商、金融、物流等多个行业提供有针对性的人工智能解决方案。归国创业之前，郑泽宇曾任美国谷歌高级工程师。从2013 年加入谷歌，郑泽宇作为主要技术人员参与并领导了多个大数据项目。由他提出并主导的产品聚类项目用于衔接谷歌购物和谷歌知识图谱（knowledge graph）数据，使得知识卡片形式的广告逐步取代传统的产品列表广告，开启了谷歌购物广告在搜索页面投递的新纪元。郑泽宇于2011年5月获得北京大学计算机学士学位，并荣获北京大学信息科学技术学院十佳优秀毕业论文、北京大学优秀毕业生。2013年5月获得美国 Carnegie Mellon University（CMU）大学计算机硕士学位，并获得西贝尔奖学金 (Siebel Scholarship)。郑泽宇在机器学习、人工智能领域有多年研究经验，并在SIGIR、SIGKDD、ACL、ICDM、ICWSM等顶级国际会议上发表多篇学术论文。
资源目录：
第1章 深度学习简介 1
1.1 人工智能、机器学习与深度学习 2
1.2 深度学习的发展历程 7
1.3 深度学习的应用 10
1.3.1 计算机视觉 10
1.3.2 语音识别 14
1.3.3 自然语言处理 15
1.3.4 人机博弈 18
1.4 深度学习工具介绍和对比 19
小结 23
第2章 TensorFlow环境搭建 25
2.1 TensorFlow的主要依赖包 25
2.1.1 Protocol Buffer 25
2.1.2 Bazel 27
2.2 TensorFlow安装 29
2.2.1 使用Docker安装 30
2.2.2 使用pip安装 32
2.2.3 从源代码编译安装 33
2.3 TensorFlow测试样例 37
小结 38
第3章 TensorFlow入门 40
3.1 TensorFlow计算模型——计算图 40
3.1.1 计算图的概念 40
3.1.2 计算图的使用 41
3.2 TensorFlow数据模型——张量 43
3.2.1 张量的概念 43
3.2.2 张量的使用 45
3.3 TensorFlow运行模型——会话 46
3.4 TensorFlow实现神经网络 48
3.4.1 TensorFlow游乐场及神经网络简介 48
3.4.2 前向传播算法简介 51
3.4.3 神经网络参数与TensorFlow变量 54
3.4.4 通过TensorFlow训练神经网络模型 58
3.4.5 完整神经网络样例程序 62
小结 65
第4章 深层神经网络 66
4.1 深度学习与深层神经网络 66
4.1.1 线性模型的局限性 67
4.1.2 激活函数实现去线性化 70
4.1.3 多层网络解决异或运算 73
4.2 损失函数定义 74
4.2.1 经典损失函数 75
4.2.2 自定义损失函数 79
4.3 神经网络优化算法 81
4.4 神经网络进一步优化 84
4.4.1 学习率的设置 85
4.4.2 过拟合问题 87
4.4.3 滑动平均模型 90
小结 92
第5章 MNIST数字识别问题 94
5.1 MNIST数据处理 94
5.2 神经网络模型训练及不同模型结果对比 97
5.2.1 TensorFlow训练神经网络 97
5.2.2 使用验证数据集判断模型效果 102
5.2.3 不同模型效果比较 103
5.3 变量管理 107
5.4 TensorFlow模型持久化 112
5.4.1 持久化代码实现 112
5.4.2 持久化原理及数据格式 117
5.5 TensorFlow最佳实践样例程序 126
小结 132
第6章 图像识别与卷积神经网络 134
6.1 图像识别问题简介及经典数据集 135
6.2 卷积神经网络简介 139
6.3 卷积神经网络常用结构 142
6.3.1 卷积层 142
6.3.2 池化层 147
6.4 经典卷积网络模型 149
6.4.1 LeNet-5模型 150
6.4.2 Inception-v3模型 156
6.5 卷积神经网络迁移学习 160
6.5.1 迁移学习介绍 160
6.5.2 TensorFlow实现迁移学习 161
小结 169
第7章 图像数据处理 170
7.1 TFRecord输入数据格式 170
7.1.1 TFRecord格式介绍 171
7.1.2 TFRecord样例程序 171
7.2 图像数据处理 173
7.2.1 TensorFlow图像处理函数 174
7.2.2 图像预处理完整样例 183
7.3 多线程输入数据处理框架 185
7.3.1 队列与多线程 186
7.3.2 输入文件队列 190
7.3.3 组合训练数据（batching） 193
7.3.4 输入数据处理框架 196
小结 198
第8章 循环神经网络 200
8.1 循环神经网络简介 200
8.2 长短时记忆网络（LTSM）结构 206
8.3 循环神经网络的变种 212
8.3.1 双向循环神经网络和深层循环神经网络 212
8.3.2 循环神经网络的dropout 214
8.4 循环神经网络样例应用 215
8.4.1 自然语言建模 216
8.4.2 时间序列预测 225
小结 230
第9章 TensorBoard可视化 232
9.1 TensorBoard简介 232
9.2 TensorFlow计算图可视化 234
9.2.1 命名空间与TensorBoard图上节点 234
9.2.2 节点信息 241
9.3 监控指标可视化 246
小结 252
第10章 TensorFlow计算加速 253
10.1 TensorFlow使用GPU 253
10.2 深度学习训练并行模式 258
10.3 多GPU并行 261
10.4 分布式TensorFlow 268
10.4.1 分布式TensorFlow原理 269
10.4.2 分布式TensorFlow模型训练 272
10.4.3 使用Caicloud运行分布式TensorFlow 282
小结 287
资源截图：
面向机器智能的TensorFlow实践_人工智能教程 人工智能
资源名称：面向机器智能的TensorFlow实践
内容简介：
本书是一本*佳的TensorFlow入门指南。几位作者都来自研发一线，他们用自己的宝贵经验，结合众多高质量的代码，生动讲解TensorFlow的底层原理，并从实践角度介绍如何将两种常见模型——深度卷积网络、循环神经网络应用到图像理解和自然语言处理的典型任务中。此外，还介绍了在模型部署和编程中可用的诸多实用技巧。
全书分为四部分，共9章。第一部分（第1~2章）讨论TensorFlow的设计模式以及选择TensorFlow作为深度学习库的优势和面临的挑战，并给出详细的安装指南。第二部分（第3~4章）深入介绍TensorFlow API的基础知识和机器学习基础。第三部分（第5~6章）探讨如何用TensorFlow实现高级深度模型，涉及卷积神经网络（或CNN）模型和循环神经网络（或RNN）模型。第四部分（第7~8章）探讨TensorFlow API中*新推出的特性，包括如何准备用于部署的模型、一些有用的编程模式等。第9章给出一些进一步了解TensorFlow的学习资源。
作者简介：
山姆·亚伯拉罕：数据科学家、工程师，富有经验的TensorFlow贡献者。
丹尼亚尔·哈夫纳：谷歌软件工程师
埃里克·厄威特：高级软件工程师
阿里尔·斯卡尔皮内里：团队负责人，高级Java开发者
段菲，清华大学信号与信息处理专业博士，前三星电子中国研究院高级研究员，现为英特尔中国研究院高级研究员。研究方向是深度学习、计算机视觉、数据可视化。参与翻译过《机器学习》《机器学习实践：测试驱动的开发方法》《DirectX103D游戏编程深度探索》等多本图书。
资源目录：
译者序
前言
第一部分 开启TensorFlow之旅
第1章 引言2
1.1 无处不在的数据2
1.2 深度学习2
1.3 TensorFlow：一个现代的机器学习库3
1.4 TensorFlow：技术概要3
1.5 何为TensorFlow4
1.5.1 解读来自官网的单句描述4
1.5.2 单句描述未体现的内容6
1.6 何时使用TensorFlow7
1.7 TensorFlow的优势8
1.8 使用TensorFlow所面临的挑战9
1.9 高歌猛进9
第2章 安装TensorFlow10
2.1 选择安装环境10
2.2 Jupyter Notebook与matplotlib12
2.3 创建Virtualenv环境12
2.4 TensorFlow的简易安装13
2.5 源码构建及安装实例：在64位Ubuntu Linux上安装GPU版TensorFlow14
2.5.1 安装依赖库14
2.5.2 安装Bazel15
2.5.3 安装CUDA软件（仅限NVIDIA GPU）16
2.5.4 从源码构建和安装TensorFlow18
2.6 安装Jupyter Notebook20
2.7 安装matplotlib20
2.8 测试TensorFlow、Jupyter Notebook及matplotlib21
2.9 本章小结23
第二部分 TensorFlow与机器学习基础
第3章 TensorFlow基础26
3.1 数据流图简介26
3.1.1 数据流图基础26
3.1.2 节点的依赖关系29
3.2 在TensorFlow中定义数据流图33
3.2.1 构建第一个TensorFlow数据流图33
3.2.2 张量思维39
3.2.3 张量的形状43
3.2.4 TensorFlow的Operation44
3.2.5 TensorFlow的Graph对象46
3.2.6 TensorFlow Session48
3.2.7 利用占位节点添加输入52
3.2.8 Variable对象53
3.3 通过名称作用域组织数据流图56
3.4 练习：综合运用各种组件61
3.4.1 构建数据流图63
3.4.2 运行数据流图66
3.5 本章小结71
第4章 机器学习基础72
4.1 有监督学习简介72
4.2 保存训练检查点74
4.3 线性回归76
4.4 对数几率回归78
4.5 softmax分类83
4.6 多层神经网络85
4.7 梯度下降法与误差反向传播算法88
第三部分 用TensorFlow实现更高级的深度模型
第5章 目标识别与分类96
5.1 卷积神经网络97
5.2 卷积100
5.2.1 输入和卷积核100
5.2.2 跨度102
5.2.3 边界填充104
5.2.4 数据格式104
5.2.5 深入探讨卷积核105
5.3 常见层107
5.3.1 卷积层108
5.3.2 激活函数108
5.3.3 池化层111
5.3.4 归一化113
5.3.5 高级层114
5.4 图像与TensorFlow116
5.4.1 加载图像116
5.4.2 图像格式117
5.4.3 图像操作121
5.4.4 颜色127
5.5 CNN的实现129
5.5.1 Stanford Dogs数据集129
5.5.2 将图像转为TFRecord文件130
5.5.3 加载图像133
5.5.4 模型134
5.5.5 训练136
5.5.6 用TensorBoard调试滤波器137
5.6 本章小结139
第6章 循环神经网络与自然语言处理140
6.1 循环神经网络简介140
6.1.1 时序的世界140
6.1.2 近似任意程序141
6.1.3 随时间反向传播142
6.1.4 序列的编码和解码143
6.1.5 实现第一个循环神经网络145
6.1.6 梯度消失与梯度爆炸145
6.1.7 长短时记忆网络147
6.1.8 RNN结构的变种148
6.2 词向量嵌入149
6.2.1 准备维基百科语料库151
6.2.2 模型结构155
6.2.3 噪声对比分类器156
6.2.4 训练模型156
6.3 序列分类157
6.3.1 Imdb影评数据集158
6.3.2 使用词向量嵌入159
6.3.3 序列标注模型159
6.3.4 来自最后相关活性值的softmax层161
6.3.5 梯度裁剪162
6.3.6 训练模型163
6.4 序列标注164
6.4.1 OCR数据集164
6.4.2 时间步之间共享的soft-max层166
6.4.3 训练模型169
6.4.4 双向RNN171
6.5 预测编码174
6.5.1 字符级语言建模174
6.5.2 ArXiv摘要API175
6.5.3 数据预处理177
6.5.4 预测编码模型178
6.5.5 训练模型182
6.5.6 生成相似序列185
6.6 本章小结188
第四部分 其他提示、技术与特性
第7章 产品环境中模型的部署190
7.1 搭建TensorFlow服务开发环境190
7.1.1 Docker镜像190
7.1.2 Bazel工作区191
7.2 导出训练好的模型192
7.3 定义服务器接口195
7.4 实现推断服务器197
7.5 客户端应用201
7.6 产品准备203
7.7 本章小结203
第8章 辅助函数、代码结构和类204
8.1 确保目录结构存在204
8.2 下载函数204
8.3 磁盘缓存修饰器205
8.4 属性字典206
8.5 惰性属性修饰器207
8.6 覆盖数据流图修饰器209
第9章 结语：其他资源212
资源截图：
人工智能：改变世界重建未来（带目录）_人工智能教程 人工智能
资源名称：人工智能：改变世界,重建未来（带目录）
内容简介：
为何只能在有限范围使用的弱人工智能突然变得聪明起来？拥有人类的创造力、复制人类的思维、与人类相爱……人工智能究竟能走多远？智能时代，人类的工作、价值、思维是更进化还是会被淘汰？
从无所不知的语音助手到复制人类思维的虚拟替身，这本《人工智能》将人工智能发展历史上一个个有趣的故事串联起来，并梳理了计算机之父艾伦·图灵、深度学习鼻祖杰夫·辛顿等众多对人工智能的发展起到重要作用的历史人物，把科幻与真实交错、古老与现代并存的人工智能全方位、多角度地展现在我们面前，倾情描绘了人工智能时代的精彩。
人工智能作为人类的伟大作品，也对我们的生活产生了重大影响，不管是智能制造还是未来就业，人工智能都不可避免地参与到人类的未来命运中。我们该如何抓住机遇，积极迎接人工智能带来的挑战？答案就在这本《人工智能》中。
作者简介：
卢克?多梅尔（Luke Dormehl） 著名科技记者，纪录片和电影制片人，与世界上很多大型科技公司都有合作。经常为《连线》、《卫报》、《快公司》等媒体撰写科技类文章。曾出版《算法时代》《苹果革命》等著作。
资源目录：
推荐序
前言
第一章 表现不俗的传统人工智能怎么了
未来已来
人工智能的三位卓越先驱
达特茅斯会议
传统人工智能的黄金时期
太空机器人沙基
“中文房间”实验
莫拉维克悖论
转变目标
专家系统
谷歌诞生
第二章 以自主学习的方式创建新的人工智能
自主学习的重要性
神经科学之父
以神经元模型为基础的感知器
关于感知器的争论
霍普菲尔德网的兴起
神经网络的守护神
联结主义者
欢迎来到深度学习领域
人工智能新主流
第三章 万物互联的智能时代已经来临
智能设备成为现代生活的必需品
会思考的事物
“控制论”简史
早期的自动机器人
计量生物学上的记录者
未来家庭
机器学习的普及
智慧城市
做好互联网消失的准备
智能设备存在的问题
第四章 人工智能助手如何为我们效劳
打败图灵测试
人工智能助手的兴起
多功能的人工智能助手
从被动人工智能助手到主动人工智能助手
数字民主
与人工智能助手相爱
人工智能的人性化
合格的心理治疗师
出门请带上它们
第五章 人工智能正在改变就业市场
亲爱的沃森
一个技术性失业的世界
技术更新换代的积极意义
新工作机会的产生
土耳其机器人的复仇
人工智能中的人类元素
第六章 人工智能真的具有创造力吗
机器人的创造力
什么叫创造力
“重生”的甲壳虫乐队
天才的灵光一现
人工智能能否成为发明家
洛夫莱斯测试
祝贺沃森大厨
第七章 意识上传实现人类永生
利用机器实现死后永生
个性捕捉
延长人类寿命
模拟神经元
绘制大脑
下一个大事件
意识上传
第八章 人工智能关乎未来的一切
末日的开端
奇点来临
狭义与广义的区别
人工智能带来的风险
“黑箱”风险
我们无法起诉机器人
机器人学的三大法则
人工智能的权利
结 论 当机器变得更加智能
致 谢
译后记
资源截图：
深度学习原理与TensorFlow实践 PDF_人工智能教程 人工智能
资源名称：深度学习原理与TensorFlow实践 PDF
内容简介：
《深度学习原理与TensorFlow实践》主要介绍了深度学习的基础原理和TensorFlow系统基本使用方法。TensorFlow是目前机器学习、深度学习领域最优秀的计算系统之一，《深度学习原理与TensorFlow实践》结合实例介绍了使用TensorFlow开发机器学习应用的详细方法和步骤。同时，《深度学习原理与TensorFlow实践》着重讲解了用于图像识别的卷积神经网络和用于自然语言处理的循环神经网络的理论知识及其TensorFlow实现方法，并结合实际场景和例子描述了深度学习技术的应用范围与效果。
《深度学习原理与TensorFlow实践》非常适合对机器学习、深度学习感兴趣的读者，或是对深度学习理论有所了解，希望尝试更多工程实践的读者，抑或是对工程产品有较多经验，希望学习深度学习理论的读者。
作者简介：
喻俨，百纳信息（海豚浏览器）研发副总裁。2007年加入微软亚洲工程院，2011年加入百纳信息负责海外业务线，从0到1做过多个项目，现致力于AI和大数据产品的研究与应用。
莫瑜，先后任职于微软和海豚浏览器，从事搜索引擎、音乐检索/哼唱搜索、内容分发推荐算法和对话机器人技术研发。长期以来持续关注和实践大规模数据算法性能优化、搜索引擎、推荐系统和人工智能技术。
王琛，英国爱丁堡大学人工智能专业硕士，现为百纳信息技术有限公司人工智能方向负责人。早年参加过信息学奥林匹克竞赛获得河北省第一名、全国三等奖，并保送进入中山大学。大学期间，在ACM竞赛上也屡获佳绩。硕士毕业后就职于百度基础架构部，参与大数据平台研发工作，对大数据分析处理、分布式系统架构等方面都有比较深刻的理解。2014年加入百纳，负责多个项目的研发，自2016年起负责人工智能方向的探索。
胡振邦，拥有博士学位，百纳信息技术有限公司高级算法研究员，毕业于中国地质大学计算机学院地学信息工程专业。读博期间，参与了关于遥感卫星图像识别分析的863项目，并且是主要的研发人员。毕业以来，一直从事图像识别方面的算法研发工作，主要方向包括目标检测、图文检索、图像分类与验证等，在图像处理、计算机视觉等方面都有深厚的积累和经验。
高杰，是一位1980年出生于苏北的“爱学习、能折腾、有情怀”的大叔。毕业于扬州中学特招班，1998年入学华中科技大学机械系，兼修管理、会计，自学计算机，2003年考入南京大学软件学院，曾任德国西门子内部SAP咨询师，还在中银国际TMT投行、金山软件集团投资部任过职，2015年与合伙人联合创立了图灵科技集团，与华尔街顶尖交易团队一起致力于量化交易、算法模型和人工智能在金融领域的应用，目前这家公司管理着超过20亿元的资产，是细分市场的领先公司。
资源目录：
1 深度学习简介 1
1.1 深度学习介绍 1
1.2 深度学习的趋势 7
1.3 参考资料 10
2 TensorFlow系统介绍 12
2.1 TensorFlow诞生的动机 12
2.2 TensorFlow系统简介 14
2.3 TensorFlow基础概念 16
2.3.1 计算图 16
2.3.2 Session会话 18
2.4 系统架构 19
2.5 源码结构 21
2.5.1 后端执行引擎 22
2.5.2 前端语言接口 24
2.6 小结 24
2.7 参考资料 25
3 Hello TensorFlow 26
3.1 环境准备 26
3.1.1 Mac OS安装 27
3.1.2 Linux GPU服务器安装 28
3.1.3 常用Python库 32
3.2 Titanic题目实战 34
3.2.1 Kaggle平台介绍 34
3.2.2 Titanic题目介绍 35
3.2.3 数据读入及预处理 38
3.2.4 构建计算图 40
3.2.5 构建训练迭代过程 44
3.2.6 执行训练 46
3.2.7 存储和加载模型参数 47
3.2.8 预测测试数据结果 50
3.3 数据挖掘的技巧 51
3.3.1 数据可视化 52
3.3.2 特征工程 54
3.3.3 多种算法模型 57
3.4 TensorBoard可视化 58
3.4.1 记录事件数据 58
3.4.2 启动TensorBorad服务 60
3.5 数据读取 62
3.5.1 数据文件格式 63
3.5.2 TFRecord 63
3.6 SkFlow、TFLearn与TF-Slim 67
3.7 小结 69
3.8 参考资料 69
4 CNN“看懂”世界 71
4.1 图像识别的难题 72
4.2 CNNs的基本原理 74
4.2.1 卷积的数学意义 75
4.2.2 卷积滤波 77
4.2.3 CNNs中的卷积层 81
4.2.4 池化（Pooling） 83
4.2.5 ReLU 84
4.2.6 多层卷积 86
4.2.7 Dropout 86
4.3 经典CNN模型 87
4.3.1 AlexNet 88
4.3.2 VGGNets 95
4.3.3 GoogLeNet & Inception 98
4.3.4 ResNets 106
4.4 图像风格转换 109
4.4.1 量化的风格 109
4.4.2 风格的滤镜 116
4.5 小结 120
4.6 参考资料 121
5 RNN“能说会道” 123
5.1 文本理解和文本生成问题 124
5.2 标准RNN模型 128
5.2.1 RNN模型介绍 128
5.2.2 BPTT算法 130
5.2.3 灵活的RNN结构 132
5.2.4 TensorFlow实现正弦序列预测 135
5.3 LSTM模型 138
5.3.1 长期依赖的难题 138
5.3.2 LSTM基本原理 139
5.3.3 TensorFlow构建LSTM模型 142
5.4 更多RNN的变体 144
5.5 语言模型 146
5.5.1 NGram语言模型 146
5.5.2 神经网络语言模型 148
5.5.3 循环神经网络语言模型 150
5.5.4 语言模型也能写代码 152
5.5.5 改进方向 163
5.6 对话机器人 164
5.6.1 对话机器人的发展 165
5.6.2 基于seq2seq的对话机器人 169
5.7 小结 181
5.8 参考资料 182
6 CNN+LSTM看图说话 183
6.1 CNN+LSTM网络模型与图像检测问题 184
6.1.1 OverFeat和Faster R-CNN图像检测算法介绍 185
6.1.2 遮挡目标图像检测方法 187
6.1.3 ReInspect算法实现及模块说明 188
6.1.4 ReInspect算法的实验数据与结论 204
6.2 CNN+LSTM网络模型与图像摘要问题 207
6.2.1 图像摘要问题 208
6.2.2 NIC图像摘要生成算法 209
6.2.3 NIC图像摘要生成算法实现说明 214
6.2.4 NIC算法的实验数据与结论 243
6.3 小结 249
6.4 参考资料 250
7 损失函数与优化算法 253
7.1 目标函数优化策略 254
7.1.1 梯度下降算法 254
7.1.2 RMSProp优化算法 256
7.1.3 Adam优化算法 257
7.1.4 目标函数优化算法小结 258
7.2 类别采样（Candidate Sampling）损失函数 259
7.2.1 softmax类别采样损失函数 261
7.2.2 噪声对比估计类别采样损失函数 281
7.2.3 负样本估计类别采样损失函数 286
7.2.4 类别采样logistic损失函数 286
7.3 小结 287
7.4 参考资料 288
结语 289
MATLAB高效编程技巧与应用：25个案例分析 PDF_人工智能教程 人工智能
资源名称：MATLAB高效编程技巧与应用：25个案例分析 PDF
《MATLAB高效编程技巧与应用：25个案例分析》是作者八年matlab使用经验的总结，精心设计的所有案例均来自于国内各大matlab技术论坛网友的切身需求，其中不少案例涉及的内容和求解方法在国内现已出版的matlab书籍中鲜有介绍。
本书首先针对matlab新版本特有的一些编程思想、高效的编程方法、新技术进行了较为详细的讨论，在此基础上，以大量案例介绍了matlab在科学计算中的应用。内容包括：matlab快速入门、重新认识矢量（向量）化编程、matlab处理海量数据、匿名函数类型介绍、嵌套函数类型介绍、积分以及积分方程求解案例、优化及非线性方程（组）求解案例、人脸图像压缩与重建案例、有关预测分类的案例、常微分方程（组）求解案例、层次分析法及其matlab实现、定时器及其应用。
《MATLAB高效编程技巧与应用：25个案例分析》可作为高等院校本科生、研究生matlab课程的辅助读物，也可作为从事科学计算和算法研究的科研人员的参考用书。
目录:
第一部分 高效编程技巧
第1章 matlab快速入门
第2章 重新认识矢量(向量)化编程
第3章 matlab处理海量数据
第4章 匿名函数类型
第5章 嵌套函数类型
第二部分 案例介绍
第6章 积分以及积分方程案例
第7章 matlab优化及非线性方程(组)求解案例
第8章 案例15：人脸图像压缩与重建
第9章 有关预测分类的案例
第10章 常微分方程(组)求解案例
第11章 案例24：层次分析法及其matlab实现
第12章 案例25：定时器及其应用
参考文献
资源截图：
人工智能游戏编程真言_人工智能教程 人工智能
资源名称：人工智能游戏编程真言
内容简介：
人工智能开发是一个程序员能够承担的最有挑战性的任务之一，而这本独一无二的论文集提供给程序员应对这个挑战的非常急需的信息。本书汇集了与智能游戏开发有关的人工智能内容，借助这些内容，程序开发员能够开发出角色。本书分为11章，分别是：通用智能，实用技术和专用系统，A*路径搜索，路径搜索与运动，战术问题和智能的群体运动，通用智能游戏贺构，决策体系结构，FPS、RIS和RPC游戏中的智能，竞赛与运动智能，脚本语言，学习理论。
由于本书是智能游戏专家（高手）亲自编写的，因些读者可以使用本书作为路线图，了解在智能游戏方面什么已经被成功使用，什么在将来具有很大潜力。智能游戏专家深入研究了有关智能游戏中编程方面的问题，为读者提供了深邃的观点和技术，这些可以很方便地应用在读者自已开发的游戏程序中，本书介绍的虚拟工具箱包括解决一般性人工智能问题的工具，也包括读者可能遇到的一些特定问题的解决思路。无论是经验丰富的智能游戏专家，还是准备进入游戏 业界的人士，本书都是必备资源。
资源目录：
第1章 通用智能
第2章 实用技术和专用系统
第3章 A*路径搜索
第4章 路径搜索与运动
第5章 战术问题和智能的群体运动
第6章 通用智能游戏架构
第7章 决策体系结构
第8章 FPS、RTS和RPG游戏中的智能
第9章 竞赛与运动智能
第10章 脚本语言
第11章 学习理论
资源截图：
-
2024年国庆节活动最后一天！
会员开通优惠活动：
包年VIP限时仅需39.9912个月 （原价：65）
终身VIP限时仅需59.99永久 （原价：99.99）
vip会员用户登入后不需要评论即可全站下载
阿影博客 2024-10-07 10:10
-
五一期间：活动价格：51元即可开通。
用户注册账号登入会员中心即可
活动时间：2024年4月30日-2024年5月5号24：00
阿影博客 2024-05-04 00:15
-
阿影祝大家小年夜快乐 限时活动开启中
24点前添加阿影微信开通永久会员的24元即可开通
如网站今天已开通的，可添加阿影微信退差价
阿影微信：zlrtxxkj
阿影博客 2024-02-03 14:54
-
在此祝大家12月有奇迹发生 年年喜乐顺遂
阿影博客 2023-12-23 13:53
-
永久会员99火热开通中·
年会员：65
月会员：25
阿影博客 2023-12-22 22:00