大数据Flink学习指南（Java版）

本书全面介绍了图深度学习的理论基础、模型方法及实际应用。全书分为4 篇，共15 章。第1 篇为基础理论，重点介绍图和深度学习的基础知识，包括图的关键概念和属性、各种基础的神经网络模型、训练深度学习模型的关键方法以及防止训练过程中过度拟合的实用技术；第2 篇为模型方法，涵盖了从基本设置到高级设置的成熟的图深度学习方法，包括图嵌入、图过滤和池化操作、图对抗攻击和图对抗防御技术、可扩展性图神经网络的代表性技术以及图神经网络之外的众多图深度模型；第3 篇为实际应用，重点介绍了*具代表性的实际应用，包括自然语言处理、计算机视觉、数据挖掘、生物化学与医疗健康等；第4 篇为前沿进展，介绍了有可能成为将来研究热点的高级方法和应用，主要从表达性、深度、公平性、可解释性和自监督学习等内容。在组织结构方面，每章首先介绍写作动机，然后通过具体示例或技术细节介绍相应内容，*后提供更多的扩展阅读知识。本书既适合对数据挖掘、机器学习和社交网络分析感兴趣的本科生和研究生阅读，也适合企业开发者和项目经理阅读。对于没有计算机科学背景，但想要应用图神经网络来推进其所在学科发展的研究人员，本书同样是一本值得参考的读物

为什么学习Scala？无需成为数据科学家或分布式计算专家，你也能掌握这种面向对象函数式编程语言。这是一本很实用的书，它以通俗易懂的方式对Scala语言做了全面的介绍，还给出了大量语法图、示例和练习来帮助你理解书中的内容。首先你将了解Scala的核心类型和语法，然后会深入学习高阶函数和不可变的数据结构。 Jason Swartz在书中介绍了Scala简洁而且很有表述性的语法，解释了它的类型安全性和性能可以确保稳定性，另外说明了Scala可以快速运行，适用所有应用。基于这些特点，作者展示了为什么Scala会成为想要提高水平的Ruby或Python开发人员的理想语言。学习核心数据类型、字面量、值和变量。了解如何使用表达式（Scala语法的基础）思考以及编写代码。 编写接收或返回其他函数的高阶函数。熟悉不可变数据结构，利用类型安全的描述性操作轻松地完成变换。创建定制的中缀操作符简化现有操作，甚至可以针对你自己的领域编写特定的语言。构建包括一个或多个trait的类来提供充分的可重用性，或者在实例化时混合使用trait创建新功能。

算法工程师-高级深度学习 视频

本书是一本系统介绍深度学习技术及开源框架PyTorch的入门书。书中通过大量案例介绍了PyTorch的使用方法、神经网络的搭建、常用神经网络（如卷积神经网络、循环神经网络）的实现，以及实用的深度学习技术，包括迁移学习、对抗生成学习、深度强化学习、图神经网络等。读者通过阅读本书，可以学会构造一个图像识别器，生成逼真的图画，让机器理解单词与文本，让机器作曲，教会机器玩游戏，还可以实现一个简单的机器翻译系统。 第2版基于PyTorch 1.6.0，对全书代码进行了全面更新，同时增加了Transformer、BERT、图神经网络等热门深度学习技术的讲解，更具实用性和时效性

本书以*基础讲解为特色，用实例引导读者学习，深入浅出地介绍Python机器学习的相关知识和实战技能。 全书共17章，分为5篇。第Ⅰ篇为机器学习入门篇，包含第1章，主要介绍机器学习的概念、机器学习研究的主要任务、如何选择合适的算法及机器学习研究问题的一般步骤等；第Ⅱ篇为工具模块使用篇，包含第2~4章，主要介绍数组计算NumPy、数据分析Pandas、图形展示Matplotlib等；第Ⅲ篇为专业技能提升篇，包含第5~13章，主要介绍算法综述、决策树、朴素贝叶斯、逻辑回归、支持向量机、AdaBoost、线性回归、k-means、PCA等；第Ⅳ篇为深度学习延伸篇，包含第14章，主要介绍卷积神经网络；第Ⅴ篇为项目技能实战篇，包含第15~17章，主要介绍验证码识别、答题卡识别、机器学习简历指导等。同时，本书随书赠了大量相关的学习资料，以便读者扩展学习。 本书适用于任何想学习Python机器学习的读者。无论读者是否从事Python相关工作，是否接触过Python，均可通过学习本书快速掌握Python机器学习的开发方法和技巧。

动手学深度学习（PyTorch版）

本书是面向机器学习新手的入门书，从学习环境的搭建开始，图文并茂地介绍了学习机器学习所需的Python知识和数学知识，并在此基础上结合数学式、示例程序、插图等，抽丝剥茧般地对有监督学习中的回归与分类、神经网络与深度学习的算法与应用、手写数字识别、无监督学习的算法等进行了介绍。 本书既有图形、代码，又有详细的数学式推导过程，大大降低了机器学习的学习门槛，即使没有学过Python、数学基础不太好，也可以看懂

《Python计算机视觉与深度学习实战》立足实践，从机器学习的基础技能出发，深入浅出地介绍了如何使用 Python 进行基于深度学习的计算机视觉项目开发。开篇介绍了基于传统机器学习及图像处理方法的计算机视觉技术；然后重点就图像分类、目标检测、图像分割、图像搜索、图像压缩及文本识别等常见的计算机视觉项目做了理论结合实践的讲解；后探索了深度学习项目落地时会用到的量化、剪枝等技术，并提供了模型服务端部署案例。 《Python计算机视觉与深度学习实战》适合有一定的Python 编程基础，初学深度学习的读者阅读

Python机器学习 视频