《Python机器学习手册：从数据预处理到深度学习》采用基于任务的方式来介绍如何在机器学习中使用Python。书中有近200个独立的解决 方案，针对的都是数据科学家或机器学习工程师在构建模型时可能遇到的常见任务，涵盖从简 单的矩阵和向量运算到特征工程以及神经网络的构建。所有方案都提供了相关代码，读者可以 复制并粘贴这些代码，用在自己的程序中。

《Python机器学习手册：从数据预处理到深度学习》不是机器学习的入门书，适合熟悉机器学习理论和概念的读者阅读。你可以将本书作 为案头参考书，在机器学习的日常开发中遇到问题时，随时借鉴书中代码，快速解决问题。

在现今的互联网公司中，产品线绵延复杂，安全防御体系无时无刻不在应对新的挑战。哪怕是拥有丰富工作经验的安全从业者，在面对层出不穷的攻击手段和海量日志数据时也会望洋兴叹。机器学习、深度学习是这些问题天然契合的解决方案，在数据量以指数级不断增长的未来，甚至有可能是唯一的出路。当AI遇到安全时，如何快速进化，本书给出了实战方案。 　　本书是《Web安全之机器学习入门》之后又一作品。本书首先介绍如何打造自己的深度学习工具箱，包括TensorFlow、TFLearn等深度学习库的安装以及使用方法。接着介绍卷积神经网络和循环神经网络这两大深度学习算法的基础知识。特别着重介绍在生产环境搭建深度学习平台需要使用的开源组件，包括Logstash、Kafka、Storm、Spark等。随后讲解了11个使用机器学习技术解决实际安全问题的案例，包括验证码识别、垃圾邮件识别、负面评论识别、骚扰短信识别、Linux后门检测、恶意操作行为检测、Webshell检测、智能扫描、DGA域名检测、恶意程序分类识别、反信用卡欺诈。本书针对每一个算法都给出了具体案例，理论结合实际，讲解清晰，文笔幽默，适合有信息安全基础知识的网络开发与运维技术人员参考，主要内容包括：

- 如何基于TensorFlow和TFLearn打造自己的深度学习工具箱。

- 如何基于Logstash、Kafka、Storm、Spark等打造深度学习的生产环境。

- 如何在MNIST数据集上实现验证码识别。

- 如何在安然数据集上实现垃圾邮件检测。

- 如何在IMDB数据集上实现负面评论识别。

- 如何在SMSSpamCollection数据集上实现骚扰短信识别。

- 如何在ADFA-LD数据集上实现Linux后门检测。

- 如何在SEA数据集上实现恶意操作行为检测。

- 如何在MIST数据集上实现恶意程序分类识别。

- 如何在Kaggle公开的数据集上实现信用卡欺诈检测。

- 如何在GitHub公开的数据集上实现Webshell检测，智能扫描和DGA域名检测。

在如今这个处处以数据驱动的世界中，机器学习正变得越来越大众化。它已经被广泛地应用于不同领域，如搜索引擎、机器人、无人驾驶汽车等。本书首先通过实用的案例介绍机器学习的基础知识，然后介绍一些稍微复杂的机器学习算法，例如支持向量机、极端随机森林、隐马尔可夫模型、条件随机场、深度神经网络，等等。

本书是为想用机器学习算法开发应用程序的Python 程序员准备的。它适合Python 初学者阅读，不过熟悉Python 编程方法对体验示例代码大有裨益。

本书全面系统地讲解了MATLAB金融算法分析与应用，以及金融数据挖掘中的趋向和发展趋势指标，并结合具体的机器学习算法分析，让读者深入学习和掌握MATLAB金融数据机器学习算法。本书注重实战，通过大量的案例，帮助读者更好地理解书中的内容。

本书分为2篇，共15章。主要内容有：MATLAB入门与提高、MATLAB高级应用、时间序列数据处理、量化投资趋向指标、量化投资反趋向指标、BP神经网络工具箱上证指数预测、 BP神经网络工具箱多指标预测、RBF神经网络多指标预测、Hopfield神经网络多指标预测、马尔可夫（Markov）链上证指数预测、灰色理论下的上证指数预测、指数平滑下的上证指数预测、支持向量机SVM下的涨跌预测、贝叶斯（Bayes）网络多指标预测、Pareto多目标优化分析。

本书适合所有想全面学习MATLAB 金融分析算法的人员阅读，也适合各种量化投资开发人员阅读。另外，本书对于各高校师生解决问题、进行课堂教学等，也是一本不可或缺的参考书。同时本书也适合MATLAB爱好者学习使用。

一分钟了解本书精华内容

MATLAB入门与提高

MATLAB高级应用

时间序列数据处理

量化投资趋向指标

量化投资反趋向指标

BP神经网络工具箱上证指数预测

BP神经网络工具箱多指标预测

RBF神经网络多指标预测

Hopfield神经网络多指标预测

马尔可夫（Markov）链上证指数预测

灰色理论下的上证指数预测

指数平滑下的上证指数预测

支持向量机SVM下的涨跌预测

贝叶斯（Bayes）网络多指标预测

Pareto多目标优化分析

《从AI模型到智能机器人：基于Python与TensorFlow》本书是一本介绍AI技术的入门图书。第1～9章从OOP+Python 应用出发，由浅入深，循序渐进，帮助用户建立扎实的AI软件开发的技术根基。第10～12章以AI技术简史为起点，以机器学习为范例，说明如何用Python 来撰写简单的AI模型，并通过实际训练，让用户了解机器学习的原理。第13～15章以TensorFlow平台为例，说明如何利用该平台来设计NN（神经网络）模型，熟悉其训练及应用过程。

《从AI模型到智能机器人：基于Python与TensorFlow》内容翔实，语言生动，既适合初入门者学习，也适合有一定编程基础的人扩展AI技术思维。

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。

《神经网络与深度学习应用实战》结合实际应用介绍神经网络和深度学习等技术领域相关信息。从结构上重点介绍了前馈型神经网络、反馈型神经网络，以及自组织竞争型神经网络，并针对当下深度学习中比较重要的网络进行了详细介绍，包括卷积神经网络、循环（递归）神经网络、深度信念网络、生成对抗网络，以及深度强化学习。《神经网络与深度学习应用实战》不仅能让读者对当前神经网络和深度学习技术有体系的认知，更能让读者在人工智能领域进行一些深入思考。

本书涵盖了各种类型的神经网络，包括循环神经网络、卷积神经网络、多层神经网络、感知神经网络等。你将不仅学习如何训练神经网络，还可以探索这些神经网络的泛化。之后，将深入研究不同的神经网络模型，并与现实世界的案例相结合。

《计算智能》对计算智能领域的主要算法进行介绍，重点讨论各种算法的思想来源、流程结构、发展改进、参数设置和相关应用，内容包括绪论以及神经网络、模糊逻辑、遗传算法、蚁群优化算法、粒子群优化算法、免疫算法、分布估计算法、Memetic算法、模拟退火算法和禁忌搜索算法等计算智能领域的典型算法。《计算智能》通俗易懂，图文并茂，深入浅出，没有其他算法书中大量公式、定理、证明等难懂的内容，而是通过大量的图表示例对各个算法进行说明和介绍。《计算智能》不但提供了算法实现的流程图和伪代码，而且通过具体的应用举例对算法的使用方法和使用过程进行说明，同时提供了大量经典而重要的参考资料，为读者进一步深入学习和理解算法提供方便。《计算智能》适合作为相关专业本科生和研究生的选修课教材，特别适合作为入门教材以满足算法初学者了解和学习计算智能算法的入门需求，同时还能够作为广大算法研究者和工程技术人员进一步学习的参考书和工具书。

暂无简介

本书主要目标是处理很多深度学习应用的热点问题并向读者披露解决方案的细节。主要内容分为7章：第1章介绍深度学习基础知识，第2章介绍大规模数据的分布式深度学习，第3章介绍卷积神经网络，第4章介绍循环神经网络，第5章介绍受限玻尔兹曼机，第6章介绍自动编码器，第7章介绍如何用Hadoop玩转深度学习。