数据科学是一门内涵很广的学科，它涉及到统计分析、机器学习以及计算机科学三方面的知识和技能。本书深入浅出、全面系统地介绍了这门学科的内容。
本书分为13章，最初的3章主要介绍数据科学想要解决的问题、常用的IT工具Python以及这门学科所涉及的数学基础。第4-7章主要讨论数据模型，主要包含三方面的内容：一是统计中最经典的线性回归和逻辑回归模型；二是计算机估算模型参数的随机梯度下降法，这是模型工程实现的基础；三是来自计量经济学的启示，主要涉及特征提取的方法以及模型的稳定性。接下来的8-10章主要讨论算法模型，也就是机器学习领域比较经典的模型。这三章依次讨论了监督式学习、生成式模型以及非监督式学习。目前数据科学最前沿的两个领域分别是大数据和人工智能。本书的第11章将介绍大数据中很重要的分布式机器学习，而本书的最后两章将讨论人工智能领域的神经网络和深度学习。
本书通俗易懂，而且理论和实践相结合，可作为数据科学家和数据工程师的学习用书，也适合对数学科学有强烈兴趣的初学者使用。同时也可作为高等院校计算机、数学及相关专业的师生用书和培训学校的教材。

1936年，24岁的图灵发表了现代计算领域奠基性的论文《论可计算数及其在判定问题上的应用》。这篇论文堪称图灵一生中最重要的贡献。然而，大众对图灵的了解多停留在破解德国的著名密码系统Enigma，帮助盟军取得二战的胜利上。对于数学家图灵，人们往往知之甚少。
在本书中，作者深入分析了图灵的这篇论文，读者只需具备高中水平的数学知识，即可轻松读懂这篇划时代的论文，了解其对现代计算发展的杰出贡献。正如人工智能之父马文·明斯基所说，图灵的论文有着超乎寻常的简洁性及数学之美。任何希望深入了解图灵及其工作的读者都不该错过这本书！

《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。

信息技术、生物工程、纳米材料是当代科技三大前沿，到21世纪，这三大技术将合力打造出的新的智能机器，将重塑人类的大脑和躯体。作者大胆预测：到21世纪，人类和机器将难分彼此，人类将不再是万物之灵。电脑将比人脑有高一万倍的智能。机器不仅具有智能，而且具有灵魂，将具有人类的意识、情绪和欲望；而人类身体中植入了用生物工程和纳米材料制成的电脑芯片、人造器官，将比现代人类更长寿，有更强的学习能力，更灵敏的视觉和听觉，而虚拟现实有可能使人机发生“恋爱”……这不是科幻小说，更不是天方夜谭，这是库兹韦尔为我们描述的“灵魂机器的时代”。
库兹韦尔在书后的大事年表中展示了宇宙演化、生命进化和科技发展的历程，使读者对世界科技的发展过程和未来走向一目了然。
感谢余秋雨先生为本书中文版写的精彩序文，它为我们如何阅读这本万花筒般的书指明了路径。

编辑推荐
《如何创造思维》作者雷·库兹韦尔是21世纪最具洞察力的思想家和未来学家、“库兹韦尔定律”创立者，美国发明家名人堂获奖者、美国国家技术奖获得者、奇点大学校长、谷歌公司工程总监雷•库兹韦尔最新力作。 这是一部洞悉未来思维模式的颠覆之作。库兹韦尔对于大脑和人工智能的理解，将对我们生活的方方面面，地球上的各行各异，以及我们有关未来的设想产生巨大的影响。库兹韦尔通过一系列推理告诉我们，我们有能力创造超越人类智能的非生物智能。
财讯传媒集团首席战略官段永超，跨界物理学家李淼，中国当代最知名的科幻作家、畅销书《三体》作者刘慈欣联袂推荐。湛庐文化出品。
名人推荐
在《如何创造思维》这本书里，库兹韦尔坚信人类一定会制造出可与人脑相媲美的“仿生大脑新皮质”。它们甚至比人脑更具可塑性，并可放置在云端。他尤为关注人机的完美结合，为人工智能发展指明了新方向。库兹韦尔预言，只要仿生大脑新皮质与人脑新皮质 “对接”起来，就能创造无可限量的人类智能大爆发，迎接“奇点”的到来！
——段永朝 财讯传媒集团首席战略官
如何创造意识、思维，也许是人类认识自然的最后难题，是意识对自己的回归。作为著名发明家、作家、未来主义者，库兹韦尔关于思维的研究和观点独特而惊人。他认为不久的未来，计算机可以实现人类大脑新皮质功能并超越人类，人类将与机器结合成为全新的物种，这非常像著名科幻作家弗诺 •文奇在《深渊上的火》中描述的超级智慧。他关于天分、创新和爱情的观点非常有启发性，他的其他不无争议的观点则将我们置于一个新的思考层次。在这些有的可靠，有的有争议的观点背后，是严谨的数学模型，例如隐马尔可夫模型。在这本去年出版的新书中，他反复强调了“加速循环规则”，即“库兹韦尔定律”。让我们拭目以待 2045年，库兹韦尔预言的人类蜕变的奇点。
——李淼 中山大学教授
库兹韦尔通过对人类思维本质的全新思考，大胆地预言了人工智能的未来，他的想象力令人惊叹！最可贵之处在于，这一切都不是科学幻想，而是基于现有科技理论所进行的严谨推测。我期待着预言应验的那一天。
——刘慈欣 中国当代最知名的科幻作家，畅销书《三体》作者
库兹韦尔这本有关思维的新书非常了不起，正为时下所需，而且言之凿凿！让人眼前一亮！
——马文•明斯基 人工智能之父，麻省理工学院“人工智能实验室”创始人
雷 •库兹韦尔对大脑和人工智能的理解将对我们生活的方方面面、地球上的各行各业，以及我们有关未来的设想产生巨大的影响。如果你关心其中任何一个方面，此书都值得一读！
——彼得•戴曼迪斯 奇点大学执行主席，《纽约时报》畅销书《富足》（Aboudance）作者
《如何创造思维》是难得一见的好书，每一页都能给你不一样的启示。库兹韦尔通过一系列推理告诉我们：我们有能力创造超越人类智能的非生物智能。这部作品既高瞻远瞩，又妙趣横生。
——拉斐尔•莱夫 麻省理工学院校长
如果你曾疑惑你的大脑是如何运转的，那你一定要拜读这本书。库兹韦尔的洞见剥开了人类思维深处的秘密，让我们发现了重建人类思维的能力。这本书掷地有声、发人深省。
——迪安•卡门 第一个便携式胰岛素泵、家用透析机、 IBOT移动系统的发明者，国家科技奖章获得者
雷 •库兹韦尔，杰出的人工智能先驱之一，他用一本新书阐释了智能的本质，包括生物和非生物智能。此书将人类大脑描述成一种机器，可以理解分层的概念，包括椅子的形状和幽默的本质。他的重要发现，强调了学习在大脑和人工智能中所起的关键作用。他提供了一张可靠的路线图，以实现超人类的智能，这将是应对人类重大挑战的必要条件。
——劳伊•雷迪 卡耐基梅隆大学机器人研究所创始董事，图灵奖获得者
雷•库兹韦尔开创了这样的人工智能系统——可以读取以任何形式打印的印刷品，可以合成语音和音乐并理解语言。这是现在机器学习改革的先驱者，是创建可以在国际象棋上击败人类、赢得《危险边缘》节目、驾驶汽车的智能计算机的基础。他的新书对使得此次智能科技革命得以发生的进步进行了清晰、引人入胜地描绘，尤其是学习方面的进步。
——托马索•波吉奥 麻省理工学院“生物计算学习”中心实验室主任，麻省理工学院麦戈文脑研究所前任所长
库兹韦尔的书展现了他惊人的才能——综合来自各个领域的思想，然后以简单优美的语言呈现给读者。此书是即将到来的人工智能革命的先驱，而库兹韦尔有关人工智能的预言也将在这次革命中成真。
——迪利普•乔治 人工智能科学家大脑新皮质的层次结构模型的先驱

Deep Learning with Python introduces the field of deep learning using the Python language and the powerful Keras library. Written by Keras creator and Google AI researcher François Chollet, this book builds your understanding through intuitive explanations and practical examples. You'll explore challenging concepts and practice with applications in computer vision, natural-language processing, and generative models. By the time you finish, you'll have the knowledge and hands-on skills to apply deep learning in your own projects.

Machine learning allows computational systems to adaptively improve their performance with experience accumulated from the observed data. Its techniques are widely applied in engineering, science, finance, and commerce. This book is designed for a short course on machine learning. It is a short course, not a hurried course. From over a decade of teaching this material, we have distilled what we believe to be the core topics that every student of the subject should know. We chose the title `learning from data' that faithfully describes what the subject is about, and made it a point to cover the topics in a story-like fashion. Our hope is that the reader can learn all the fundamentals of the subject by reading the book cover to cover. ---- Learning from data has distinct theoretical and practical tracks. In this book, we balance the theoretical and the practical, the mathematical and the heuristic. Our criterion for inclusion is relevance. Theory that establishes the conceptual framework for learning is included, and so are heuristics that impact the performance of real learning systems. ---- Learning from data is a very dynamic field. Some of the hot techniques and theories at times become just fads, and others gain traction and become part of the field. What we have emphasized in this book are the necessary fundamentals that give any student of learning from data a solid foundation, and enable him or her to venture out and explore further techniques and theories, or perhaps to contribute their own. ---- The authors are professors at California Institute of Technology (Caltech), Rensselaer Polytechnic Institute (RPI), and National Taiwan University (NTU), where this book is the main text for their popular courses on machine learning. The authors also consult extensively with financial and commercial companies on machine learning applications, and have led winning teams in machine learning competitions.

Information theory and inference, taught together in this exciting textbook, lie at the heart of many important areas of modern technology - communication, signal processing, data mining, machine learning, pattern recognition, computational neuroscience, bioinformatics and cryptography. The book introduces theory in tandem with applications. Information theory is taught alongside practical communication systems such as arithmetic coding for data compression and sparse-graph codes for error-correction. Inference techniques, including message-passing algorithms, Monte Carlo methods and variational approximations, are developed alongside applications to clustering, convolutional codes, independent component analysis, and neural networks. Uniquely, the book covers state-of-the-art error-correcting codes, including low-density-parity-check codes, turbo codes, and digital fountain codes - the twenty-first-century standards for satellite communications, disk drives, and data broadcast. Richly illustrated, filled with worked examples and over 400 exercises, some with detailed solutions, the book is ideal for self-learning, and for undergraduate or graduate courses. It also provides an unparalleled entry point for professionals in areas as diverse as computational biology, financial engineering and machine learning.

《古琴艺术的机器演绎》主要围绕古琴艺术的计算展开，依据人工智能、认知科学、机器音乐研究的思想成果，采用成熟的计算、编码与智能方法，围绕古琴减字谱的计算处理问题，全面系统地介绍了有关古琴艺术展现的计算方法以及机器实现系统。

Statistical Rethinking: A Bayesian Course with Examples in R and Stan builds readers’ knowledge of and confidence in statistical modeling. Reflecting the need for even minor programming in today’s model-based statistics, the book pushes readers to perform step-by-step calculations that are usually automated. This unique computational approach ensures that readers understand enough of the details to make reasonable choices and interpretations in their own modeling work.
The text presents generalized linear multilevel models from a Bayesian perspective, relying on a simple logical interpretation of Bayesian probability and maximum entropy. It covers from the basics of regression to multilevel models. The author also discusses measurement error, missing data, and Gaussian process models for spatial and network autocorrelation.
By using complete R code examples throughout, this book provides a practical foundation for performing statistical inference. Designed for both PhD students and seasoned professionals in the natural and social sciences, it prepares them for more advanced or specialized statistical modeling.

This book comprehensively discusses the neural network models from a statistical mechanics perspective. It starts with one of the most influential developments in the theory of neural networks: Hopfield's analysis of networks with symmetric connections using the spin system approach and using the notion of an energy function from physics. Introduction to the Theory of Neural Computation uses these powerful tools to analyze neural networks as associative memory stores and solvers of optimization problems. A detailed analysis of multi-layer networks and recurrent networks follow. The book ends with chapters on unsupervised learning and a formal treatment of the relationship between statistical mechanics and neural networks. Little information is provided about applications and implementations, and the treatment of the material reflects the background of the authors as physicists. However the book is essential for a solid understanding of the computational potential of neural networks. Introduction to the Theory of Neural Computation assumes that the reader is familiar with undergraduate level mathematics, but does not have any background in physics. All of the necessary tools are introduced in the book.

Douglas Hofstadter's long-awaited return to the themes of Gödel, Escher, Bach--an original and controversial view of the nature of consciousness and identity.
Can thought arise out of matter? Can self, a soul, a consciousness, an "I" arise out of mere matter? If it cannot, then how can you or I be here?
I Am a Strange Loop argues that the key to understanding selves and consciousness is the "strange loop"--a special kind of abstract feedback loop inhabiting our brains. The most central and complex symbol in your brain or mine is the one called "I." The "I" is the nexus in our brain, one of many symbols seeming to have free will and to have gained the paradoxical ability to push particles around, rather than the reverse.
How can a mysterious abstraction be real--or is our "I" merely a convenient fiction? Does an "I" exert genuine power over the particles in our brain, or is it helplessly pushed around by the laws of physics?
These are the mysteries tackled in I Am a Strange Loop, Douglas R. Hofstadter's first book-length journey into philosophy since Gödel, Escher, Bach. Compulsively readable and endlessly thought-provoking, this is the book Hofstadter's many readers have been waiting for.

本书以机器学习与计算统计为主题背景，专门讲述如何挖掘和分析Web上的数据和资源，如何分析用户体验、市场营销、个人品味等诸多信息，并得出有用的结论，通过复杂的算法来从Web网站获取、收集并分析用户的数据和反馈信息，以便创造新的用户价值和商业价值。全书内容翔实，包括协作过滤技术（实现关联产品推荐功能）、集群数据分析（在大规模数据集中发掘相似的数据子集）、搜索引擎核心技术（爬虫、索引、查询引擎、PageRank算法等）、搜索海量信息并进行分析统计得出结论的优化算法、贝叶斯过滤技术（垃圾邮件过滤、文本过滤）、用决策树技术实现预测和决策建模功能、社交网络的信息匹配技术、机器学习和人工智能应用等。
本书是Web开发者、架构师、应用工程师等的绝佳选择。

人类即将全面进入机器人时代。计算机已经可以从事金融交易、控制电力供应和驾驶火车。很快，服务类机器人将能在家照顾老人，军事机器人可以投入战斗。温德尔·华莱士和科林·艾伦认为，当机器人要承担越来越多的责任时，为了我们的安全，它们必须通过程序学会道德判断。在快速回顾了最前沿的道德哲学与人工智能之后，两人主张，设计某种功能性的道德指令，让人工智能机器人习得某些基本的道德感是很有必要的，而且是可行的。并且，即便让机器人承担完全的道德责任有很远的路要走，但随着人类对道德理解的深入和完善，能接收复杂道德指令的各类服务型机器人将诞生。 本书基于人类道德判断和伦理的本质，第一次深入探讨了人类在设计具有道德判断能力的机器人的漫漫征途上所面临的巨大挑战。
人工智能时代已经到来。然而，在未来数年内，人工智能系统可能会摆脱人类监管﹐自主做出决定，甚至走上反抗人类的道路！这种不确定性，将使机器人面临的道德风险日益凸显。无疑，人类迫切需要确保机器人的设计符合道德规范。 那么，如何才能设计出符合人类道德规范的机器人呢？本书作者认为，尽管完备的机器道德智能体还很遥远，但是目前有必要，而且有可能开始建构一种功能性道德，从而使人工道德智能体（AMAs）可以具有基本的道德敏感性。由此，作者拟定了一个基础框架，为引导AMAs的工程设计任务指明了方向。 本书乃人工智能道德研究领域极具影响的名著，深受各国读者欢迎。

A thought-provoking and wide-ranging exploration of machine learning and the race to build computer intelligences as flexible as our own
In the world's top research labs and universities, the race is on to invent the ultimate learning algorithm: one capable of discovering any knowledge from data, and doing anything we want, before we even ask. In The Master Algorithm, Pedro Domingos lifts the veil to give us a peek inside the learning machines that power Google, Amazon, and your smartphone. He assembles a blueprint for the future universal learner--the Master Algorithm--and discusses what it will mean for business, science, and society. If data-ism is today's philosophy, this book is its bible.

支持向量机是数据挖掘中的一个新方法。支持向量机能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题，并可推广于预测和综合评价等领域，因此可应用于理科、工科和管理等多种学科。目前国际上支持向量机在理论研究和实际应用两方面都正处于飞速发展阶段。希望本书能促进它在我国的普及与提高。
本书对象既包括关心理论的研究工作者，也包括关心应用的实际工作者。对于有关领域的具有高等数学知识的实际工作者，略去书中的某些理论部分，仍能对支持向量机的本质有一个概括的理解，从而用它解决自己的问题。
本书适合高等院校高年级学生、研究生、教师和相关科研人员及相关领域的实际工作者使用。

赫伯特·亚历山大·西蒙（英语：Herbert Alexander Simon，1916年6月15日－2001年2月9日），汉名为司马贺，美国著名学者、计算机科学家和心理学家。
自 1972 年起，中国学术界与西蒙有了近 30 年的交往，他与许多中国同行建立了亲密的友谊。 1983 年春，应中国科学院的邀请，西蒙教授到中国科学院心理研究所进行科研合作，其间还在北京大学系统地讲授了认知心理学。在3个月的讲演中，他从理论上讲解了认知科学的基本观点，阐述了科学理论的层次和规律、物理符号系统、满意的原则等理论问题，还介绍了EPAM 程序、启发式搜索等实际应用的问题。这次讲课内容后来整理成书正式出版，即《人类的认知一思维的信息加工理论》 一书。

This book presents the first broad look at the rapidly emerging field of data-intensive science, with the goal of influencing the worldwide scientific and computing research communities and inspiring the next generation of scientists. Increasingly, scientific breakthroughs will be powered by advanced computing capabilities that help researchers manipulate and explore massive datasets. The speed at which any given scientific discipline advances will depend on how well its researchers collaborate with one another, and with technologists, in areas of eScience such as databases, workflow management, visualization, and cloud-computing technologies. This collection of essays expands on the vision of pioneering computer scientist Jim Gray for a new, fourth paradigm of discovery based on data-intensive science and offers insights into how it can be fully realized.