《视觉SLAM十四讲：从理论到实践》系统介绍了视觉SLAM（同时定位与地图构建）所需的基本知识与核心算法，既包括数学理论基础，如三维空间的刚体运动、非线性优化，又包括计算机视觉的算法实现，例如多视图几何、回环检测等。此外，还提供了大量的实例代码供读者学习研究，从而更深入地掌握这些内容。
《视觉SLAM十四讲：从理论到实践》可以作为对SLAM 感兴趣的研究人员的入门自学材料，也可以作为SLAM 相关的高校本科生或研究生课程教材使用。
学习并精通任何一门学科无外乎要经过四个步骤：它是什么？它可行吗？怎么学它？如何学好它？机器学习也不例外，本书就以这四个步骤来介绍机器学习。
本书第1章介绍“机器学习是什么”，即从定义开始，详细介绍机器学习涉及的知识、数据和性能度量。
第2章介绍“机器学习可行吗”，即介绍机器具备学习样本以外的数据的能力。
第3章介绍“机器学习怎么学”，即介绍机器如何选择出最优模型。作者在这 3 章的写作上花费的时间最多，光这 3 章的内容就绝对会让读者有所收获。
第 4~14 章介绍“如何学好机器学习”，重点介绍机器学习的各类算法和调参技巧。
第 15 章介绍机器学习中的一些非常实用的经验，包括学习策略、目标设定、误差分析和偏差与方差分析。
作者写作本书的目的是深入浅出介绍机器学习，使看似复杂、晦涩的专业知识变得通俗易懂，让那些想入门的读者感觉门槛没有那么高，让有基础的读者感觉内容也很丰富。为了达到这两个目的，本书用有趣的引言故事来激起读者的阅读兴趣，用清晰的思维导图来明晰结构，用自画图表来增强美感，用公式推导来讲透原理，达到趣、美、准、全，让每位读者从本书中获益，快乐地学习机器学习。
本书非常适合机器学习初学者、高校相关专业学生及有一定数学和统计学基础的高中生学习。
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。
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。
深度学习，特别是深度卷积神经网络是人工智能的重要分支领域，卷积神经网络技术也被广泛应用于各种现实场景，在许多问题上都取得了超越人类智能的结果。本书作为该领域的入门书籍，在内容上涵盖深度卷积神经网络的基础知识和实践应用两大方面。《解析深度学习：卷积神经网络原理与视觉实践》共14 章，分为三个部分：第一部分为绪论；第二部分 （第1～4 章）介绍卷积神经网络的基础知识、基本部件、经典结构和模型压缩等基础理论内容；第三部分（第5～14 章）介绍深度卷积神经网络自数据准备开始，到模型参数初始化、不同网络部件的选择、网络配置、网络模型训练、不平衡数据处理，最终到模型集成等实践应用技巧和经验。《解析深度学习：卷积神经网络原理与视觉实践》并不是一本编程类书籍，而是希望通过“基础知识”和“实践技巧”两方面使读者从更高维度了解、掌握并成功构建针对自身应用问题的深度卷积神经网络。
《解析深度学习：卷积神经网络原理与视觉实践》可作为深度学习和卷积神经网络爱好者的入门书籍，也可供没有机器学习背景但希望能快速掌握该方面知识并将其应用于实际问题的各行从业者阅读参考。
深度学习是人工智能的前沿技术。《深度学习之美：AI时代的数据处理与最佳实践》深入浅出地介绍了深度学习的相关理论和实践，《深度学习之美：AI时代的数据处理与最佳实践》共分16章，采用理论和实践双主线写作方式。第1章给出深度学习的大图。第2章和第3章，讲解了机器学习的相关基础理论。第4章和第5章，讲解了Python基础和基于Python的机器学习实战。第6至10章，先后讲解了M-P模型、感知机、多层神经网络、BP神经网络等知识。第11章讲解了被广泛认可的深度学习框架TensorFlow。第12章和第13章详细讲解了卷积神经网络，并给出了相关的实战项目。第14章和第15章，分别讲解了循环递归网络和长短期记忆（LSTM）网络。第16章讲解了神经胶囊网络，并给出了神经胶囊网络设计的详细论述和实践案例分析。
《深度学习之美：AI时代的数据处理与最佳实践》结构完整、行文流畅，是一本难得的零基础入门、图文并茂、通俗易懂、理论结合实战的深度学习书籍。
《白话强化学习与PyTorch》以“平民”的起点，从“零”开始，基于PyTorch框架，介绍深度学习和强化学习的技术与技巧，逐层铺垫，营造良好的带入感和亲近感，把学习曲线拉平，使得没有学过微积分等高级理论的程序员一样能够读得懂、学得会。同时，本书配合漫画插图来调节阅读气氛，并对每个原理都进行了对比讲解和实例说明。
《白话强化学习与PyTorch》适合对深度学习和强化学习感兴趣的技术人员、希望对深度学习和强化学习进行入门了解的技术人员及深度学习和强化学习领域的初级从业人员阅读。
本书首先从深度学习的原理出发，介绍如何把深度学习的理论转换为PyTorch代码，然后介绍如何在计算机上运行这些代码。作为一本面向初中级读者的技术类图书，本书在前面所述内容的基础上，还介绍了学术界前沿的一系列实例，以及PyTorch的源代码结构，以期读者能够融会贯通深度学习框架的设计和应用的思想。
《OpenCV轻松入门：面向Python》基于面向Python 的OpenCV（OpenCV for Python），介绍了图像处理的方方面面。本书以OpenCV官方文档的知识脉络为主线，并对细节进行补充和说明。
书中不仅介绍了OpenCV 函数的使用方法，还介绍了函数实现的算法原理。在介绍OpenCV 函数的使用方法时，提供了大量的程序示例。而且在介绍函数对图像的处理前，往往先展示函数对数值、数组的处理，方便读者从数值的角度观察和理解函数的处理过程和结果。在介绍具体的算法原理时，本书尽量使用通俗易懂的语言和贴近生活的示例来说明问题，避免使用过多复杂抽象的公式。
《OpenCV轻松入门：面向Python》适合计算机视觉领域的初学者阅读，包括在校学生、教师、专业技术人员、图像处理爱好者。
《深度学习框架PyTorch：入门与实践》从多维数组Tensor开始，循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究，带领读者从零开始完成几个经典有趣的深度学习小项目，包括GAN生成动漫头像、AI滤镜、AI写诗等。《深度学习框架PyTorch：入门与实践》没有简单机械地介绍各个函数接口的使用，而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识，希望读者对PyTorch有一个完整的认识。
《深度学习框架PyTorch：入门与实践》内容由浅入深，无论是深度学习的初学者，还是第一次接触PyTorch的研究人员，都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户，也能够从本书中获得对PyTorch不一样的理解。
随着AI技术的普及，如何快速理解、掌握并应用AI技术，成为绝大多数程序员亟需解决的问题。本书基于Keras框架并以代码实现为核心，详细解答程序员学习AI算法时的常见问题，对机器学习、深度神经网络等概念在实际项目中的应用建立清晰的逻辑体系。
《程序员的AI书：从代码开始》分为上下两篇，上篇（第1～4章）可帮助读者理解并独立开发较简单的机器学习应用，下篇（第5～9章）则聚焦于AI技术的三大热点领域：推荐系统、自然语言处理（NLP）及图像处理。其中，第1章通过具体实例对Keras的机器学习实现进行快速介绍并给出整体概念；第2章从简单的神经元开始，以实际问题和代码实现为引导，逐步过渡到多层神经网络的具体实现上，从代码层面讲解神经网络的工作模式；第3章讲解Keras的核心概念和使用方法，帮助读者快速入门Keras；第4章讲解机器学习中的常见概念、定义及算法；第5章介绍推荐系统的常见方案，包括协同过滤的不同实现及Wide&Deep模型等；第6章讲解循环神经网络（RNN）的原理及Seq2Seq、Attention等技术在自然语言处理中的应用；第7～8章针对图像处理的分类及目标识别进行深度讨论，从代码层面分析Faster RCNN及YOLO v3这两种典型识别算法；第9章针对AI模型的工程部署问题，引入TensorFlow Serving并进行介绍。
《程序员的AI书：从代码开始》主要面向希望学习AI开发或者转型算法的程序员，也可以作为Keras教材，帮助读者学习Keras在不同领域的具体应用。
《深度学习入门之PyTorch》深度学习如今已经成为科技领域最炙手可热的技术，在《深度学习入门之PyTorch》中，我们将帮助你入门深度学习。《深度学习入门之PyTorch》将从机器学习和深度学习的基础理论入手，从零开始学习 PyTorch，了解 PyTorch 基础，以及如何用 PyTorch 框架搭建模型。通过阅读《深度学习入门之PyTorch》，你将学到机器学习中的线性回归和 Logistic 回归、深度学习的优化方法、多层全连接神经网络、卷积神经网络、循环神经网络，以及生成对抗网络，最后通过实战了解深度学习前沿的研究成果，以及 PyTorch 在实际项目中的应用。《深度学习入门之PyTorch》将理论和代码相结合，帮助读者更好地入门深度学习，适合任何对深度学习感兴趣的人阅读。
《深入浅出强化学习：原理入门》用通俗易懂的语言深入浅出地介绍了强化学习的基本原理，覆盖了传统的强化学习基本方法和当前炙手可热的深度强化学习方法。开篇从最基本的马尔科夫决策过程入手，将强化学习问题纳入到严谨的数学框架中，接着阐述了解决此类问题最基本的方法——动态规划方法，并从中总结出解决强化学习问题的基本思路：交互迭代策略评估和策略改善。基于这个思路，分别介绍了基于值函数的强化学习方法和基于直接策略搜索的强化学习方法。最后介绍了逆向强化学习方法和近年具有代表性、比较前沿的强化学习方法。
除了系统地介绍基本理论，书中还介绍了相应的数学基础和编程实例。因此，《深入浅出强化学习：原理入门》既适合零基础的人员入门学习、也适合相关科研人员作为研究参考。
随着人工智能技术的普及和边缘计算等新兴技术的兴起，很多人工智能的应用逐渐从云端向边缘设备和终端设备转移，基于移动端设备和嵌入式设备等小型设备的人工智能应用的开发越来越重要。
TensorFlow作为开源机器学习框架，提供了对不同开发环境和设备的支持。本书详细讲解了如何使用TensorFlow进行端到端机器学习应用的开发，以及使用TensorFlow Lite在小型设备（包括Android、iOS、树莓派（Raspberry Pi））上进行应用开发的要点和相应的实战案例。
《TensorFlow移动端机器学习实战》也讲解了针对Android的硬件加速技术，以及业界流行的机器学习应用框架。本书代码基本对应TensorFlow 2.0。
《TensorFlow移动端机器学习实战》适合没有人工智能开发经验的初学者，以及有一定相关经验并且希望在人工智能应用上更加深入了解的开发者阅读。
《TensorFlow从零开始学》是一本阅读起来特别轻松、学习一点都不费劲的TensorFlow入门书。《TensorFlow从零开始学》基于TensorFlow 2.0版本，从机器学习和TensorFlow的基础开始，针对初学者只选择实际应用中的必需最小知识量，对前馈神经网络、卷积神经网络、循环神经网络、深度强化学习进行了浅显易懂且快速有效的阐述，其中包括了很多具体的TensorFlow示例，最后一章的项目实战能够教会初学者使用深度学习解决实际问题，从而进入人工智能这一前沿的热门领域。
《TensorFlow从零开始学》适合初学TensorFlow，并且深度学习的理论和实践基础较为薄弱的读者群体，也适合希望了解深度学习的大数据平台工程师，以及对人智能、深度学习感兴趣的计算机相关从业人员及在校学生等阅读，特别适合作为高等院校计算机或人工智能专业师生的参考教材。
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。
《移动深度学习》由浅入深地介绍了如何将深度学习技术应用到移动端运算领域，书中尽量避免罗列公式，尝试用浅显的语言和几何图形去解释相关内容。本书第1章展示了在移动端应用深度学习技术的Demo，帮助读者建立直观的认识；第2章至第4章讲述了如何在移动端项目中应用深度学习技术；第5章至第8章的难度略大，主要讲述如何深入地调整框架，适配并定制自己的框架。
《移动深度学习》适合移动端研发工程师阅读，也适合所有对移动端运算领域感兴趣的朋友阅读
《Julia机器学习核心编程：人人可用的高性能科学计算》以学会用好Julia语言进行软件核心编程为目标。深入浅出地讲解Julia语言在数据可视化编程、核心编程、商务编程、机器学习等各项技术及实战技能。
《Julia机器学习核心编程：人人可用的高性能科学计算》共11章。首先讲解了Julia语言的基本概念、编程模式、变量、数据类型、函数、类型与分派、程序控制结构等Julia语言的基础知识等；接着介绍了Julia的交互性与元编程、数值与科学计算、数据可视化和图像处理、数据库编程、Julia编程的核心内幕等Julia语言的核心运用技能等；在最后通过综合案例详细讲解Julia在商务网站和机器学习开发的应用。全书不仅融入了作者丰富的工作经验和多年的使用心得，还提供了大量来自工作现场的实例，具有较强的实战性和可操作性。
《Julia机器学习核心编程：人人可用的高性能科学计算》适合那些希望学习Julia语言编程的初、中级程序员和希望精通的程序员阅读
《深度学习模型及应用详解》作者都是微软人工智能及研究院的研究人员和应用科学家，具有深厚的机器学习背景，在一线针对产品需求和支持的场景进行了大量的深度学习模型及算法的研究和开发，在模型设计、训练、评估、部署、推理优化等模型开发全生命周期积累了丰富的经验。
《深度学习模型及应用详解》分为4 部分，共13 章。其中第1 部分（第1、2 章）简要介绍了深度学习的现状、概念和实现工具。第2 部分（第3～5 章）以具体的实际应用展示基于深度学习技术进行工程实践和开发的流程和技巧。第3 部分（第6～12 章）介绍了学术界和工业界最新的高阶深度学习模型的实现和应用。第4 部分（第13章）介绍了深度学习领域的一些前沿研究方向，并对深度学习的未来发展进行展望。
《深度学习模型及应用详解》面向的读者是希望学习和运用深度学习模型到具体应用场景的企业工程师、科研院所的学生和科研人员。读者学习本书的目的是了解深度学习模型和算法基础后，快速部署到自己的工作领域，并取得落地成果。
近年来机器学习是一个热门的技术方向，但机器学习本身并不是一门新兴学科，而是多门成熟学科（微积分、统计学与概率论、线性代数等）的集合。其知识体系结构庞大而复杂，为了使读者朋友能够把握机器学习的清晰的脉络，本书尽可能从整体上对机器学习的知识架构进行整理，并以Sklearn和Keras等机器学习框架对涉及的相关理论概念进行代码实现，使理论与实践相结合。
《机器学习从入门到入职——用sklearn与keras搭建人工智能模型》分为4个部分：第1章至第3章主要介绍机器学习的概念、开发环境的搭建及模型开发的基本流程等；第4章至第7章涵盖回归、分类、聚类、降维的实现原理，以及机器学习框架Sklearn的具体实现与应用；第8章至第12章主要阐述深度学习，如卷积神经网络、生成性对抗网络、循环神经网络的实现原理，以及深度学习框架Keras的具体实现与应用；第13章简单介绍机器学习岗位的入职技巧。
《机器学习从入门到入职——用sklearn与keras搭建人工智能模型》可作为机器学习入门者、对机器学习感兴趣的群体和相关岗位求职者的参考用书。
互联网产业正在从IT时代迈入DT时代（数据时代），同时互联网产业的繁荣也催生了黑灰产这样的群体。那么，在数据时代应该如何应对互联网业务安全威胁？机器学习技术在互联网业务安全领域的应用正是答案。
《机器学习互联网业务安全实践》首先从机器学习技术的原理入手，自成体系地介绍了机器学习的基础知识，从数学的角度揭示了算法模型背后的基本原理；然后介绍了互联网业务安全所涉及的重要业务场景，以及机器学习技术在这些场景中的应用实践；最后介绍了如何应用互联网技术栈来建设业务安全技术架构。作者根据多年的一线互联网公司从业经验给出了很多独到的见解，供读者参考。
《机器学习互联网业务安全实践》既适合机器学习从业者作为入门参考书，也适合互联网业务安全从业者学习黑灰产对抗手段，帮助他们做到知己知彼，了解如何应用机器学习技术来提高与黑灰产对抗的能力。
深度学习是机器学习的重要分支。《实战深度学习算法：零起点通关神经网络模型（基于Python和NumPy实现）》系统地介绍了如何用Python和NumPy一步步地实现深度学习的基础模型，无须借助TensorFlow、PyTorch等深度学习框架，帮助读者更好地理解底层算法的脉络，进而进行模型的定制、优化和改进。全书由简到难地讲述感知机模型、多分类神经网络、深层全连接网络、卷积神经网络、批量规范化方法、循环神经网络、长短时记忆网络、双向结构的BiGRU模型等神经网络模型的必要算法推导、实现及其实例，读者可直接动手调试和观察整个训练过程，进一步理解模型及其算法原理。
《实战深度学习算法：零起点通关神经网络模型（基于Python和NumPy实现）》适合没有深度学习基础，希望进入此领域的在校学生、研究者阅读，也适合有一定基础但不满足于“调包”和“调参”的工程师学习，还可供想要深入了解底层算法的研究人员参考阅读。
《深入理解计算机视觉：在边缘端构建高效的目标检测应用》按实战项目研发的先后顺序，介绍了目标检测神经网络从研发到运营的全生命周期。首先介绍了目标检测场景下的图片标注方法和数据格式，以及与之密切相关的特征融合网络和预测网络；介绍了数据“后处理”所涉及的 NMS 算法及其变种，在此基础上，读者只需结合各式各样的骨干网络就可以搭建完整的一阶段目标检测神经网络模型。接下来介绍了神经网络的动态模式和静态模式两种训练方法，以及训练过程中的数据监控和异常处理。最后以亚马逊云和谷歌 Coral 开发板为例，介绍了神经网络的云端部署和边缘端部署。其中，对于边缘端部署，本书还详细介绍了神经网络量化模型的基础原理和模型编译逻辑，这对将神经网络转化为可独立交付的产品至关重要。
《深入理解计算机视觉：在边缘端构建高效的目标检测应用》还结合智慧交通、智慧后勤、自动驾驶等项目，介绍了计算机视觉数据增强技术和神经网络性能评估原理，以及边缘计算网关、边缘计算系统、自动驾驶数据的计算原理和 PointNet++等多个三维目标检测神经网络，帮助读者快速将计算机视觉技术运用到实际生产中。
《深入理解计算机视觉：在边缘端构建高效的目标检测应用》实用性非常强，既适合对计算机视觉具有一定了解的高等院校本科生、研究生及具有转型意愿的软件工程师入门学习，又适合计算机视觉工程项目研发和运营人员参考阅读。对深度学习关键算法和骨干网络设计等基础知识感兴趣的读者还可以阅读本书作者编写的《深入理解计算机视觉：关键算法解析和深度神经网络设计》一书。
《深度学习计算机视觉实战》是一本看懂计算机视觉的实战指南，使用理论与实践相结合的思想，真正一站式搞定理论学习、算法开发到模型部署上线。 全书内容共分为四个部分。第一部分包括第1、2章，主要讲解深度学习和计算机视觉基础，如计算机视觉领域的经典网络和常见的目标检测算法；第二部分包括第3～6章，主要讲解图像处理知识，结合应用案例，对知识点进行分析说明；第三部分包括第7～11章，主要讲解计算机视觉中的实战项目，对实现细节做了追本溯源的讲解；第四部分包括第12～13章，主要讲解模型的落地部署，该部分的讲解基于TensorFlow Lite框架，该框架受众广、热度高，且在各种平台都有对应的支持与优化加速方案，方便读者使用。 本书中的上百个知识点与50多个案例都是作者工程应用中的经验总结，每章末尾均有"进阶必备”，给读者提供更多的拓展知识。本书适合计算机视觉的初学者、计算机视觉算法开发人员、对深度学习有兴趣的用户或者亟须工程落地使用的用户，也适合作为高校相关专业的学生教材使用。
本站基于Calibre构建，感谢开源界的力量。所有资源搜集于互联网，如有侵权请邮件联系。
Github | Docker | Project
《视觉SLAM十四讲：从理论到实践》系统介绍了视觉SLAM（同时定位与地图构建）所需的基本知识与核心算法，既包括数学理论基础，如三维空间的刚体运动、非线性优化，又包括计算机视觉的算法实现，例如多视图几何、回环检测等。此外，还提供了大量的实例代码供读者学习研究，从而更深入地掌握这些内容。
《视觉SLAM十四讲：从理论到实践》可以作为对SLAM 感兴趣的研究人员的入门自学材料，也可以作为SLAM 相关的高校本科生或研究生课程教材使用。