迷惘于繁多的语言学术语?纠结于不知道看哪本语言学的着作?论着期刊多如牛毛，思路混乱，头脑发麻，欲登堂而不知门径?研究选题毫无头绪?来瞧瞧这本书吧，帮你理清思路，一起来讨论语言的基本理论与现实问题：语言从哪里来，将来会怎样，我们的汉语为什么和英语不同，为什么要学英语，为什么要使用汉语拼音，为什么汉语里同音字特别多，为什么会有那么多种汉字的字体，为什么要用计算机研究语言，修辞手法能不能计算，为什么语言研究那么难，为什么语言研究有那么多禁区，为什么语言信息产业如此红火……
本书在语言大数据和人工智能的知识体系下，将语言学和汉语的基本问题，用对话的形式来讨论，步步推进，深入浅出地揭示语言的神奇与奥妙。对语言学、现代汉语、词汇语义学、计算语言学等方向的科研人员、本科生、研究生具有较高参考价值。

Genetic programming may be more powerful than neural networks and other machine learning techniques, able to solve problems in a wider range of disciplines. In this ground-breaking book, John Koza shows how this remarkable paradigm works and provides substantial empirical evidence that solutions to a great variety of problems from many different fields can be found by genetically breeding populations of computer programs. Genetic Programming contains a great many worked examples and includes a sample computer code that will allow readers to run their own programs.In getting computers to solve problems without being explicitly programmed, Koza stresses two points: that seemingly different problems from a variety of fields can be reformulated as problems of program induction, and that the recently developed genetic programming paradigm provides a way to search the space of possible computer programs for a highly fit individual computer program to solve the problems of program induction. Good programs are found by evolving them in a computer against a fitness measure instead of by sitting down and writing them.John R. Koza is Consulting Associate Professor in the Computer Science Department at Stanford University.

完全破解大腦如何型塑我們的生活，
而我們的生活又如何受大腦的影響！
在《大腦解密手冊中》，最受歡迎的神經科學家伊葛門用眾多實例帶領大家瞭解，關在暗暗腦殼中，一般人摸不到也看不到，不發聲響的大腦，到底如何影響我們。
你從出生到兩歲，腦神經連結達到最高峰，是成人的兩倍，但之後才是關鍵，要保留哪些，要留下哪些，才是決定你成為什麼樣的人的關鍵，但到底哪些連結會留下，那些會修掉呢？
我們以為可以活在當下，但事實上我們此刻的所見所聞，都只是一種回憶，現實意識是大腦進行的小把戲，當下早已過去，怎麼會這樣？
今天，你想起跟父母的關係，覺得溫暖美好，但明天卻又覺得冷漠受傷，事實上可能只跟你在什麼環境下回想有關，是不是嚇了一跳？
比電腦精密的人腦，在科技的幫助下，突破的極限超越了我們的想像！
伊葛門用一篇篇的故事，以及最新的腦科學研究，告訴讀者，我們的頭腦，正是宇宙最奇妙的東西，而想理解這最奇妙的東西，就從《大腦解密手冊》開始。

本书参阅国际上已经出版的相关专著，结合近年来发育神经生物学的进展，重点介绍了神经系统从发育到老化中的有关问题及分子调控与研究方法。

下一个诺贝尔物理学奖也许就是它！
首创者从零解说科技树顶端技术
“快1亿倍”的量子霸权将如何改变我们的生活
◎ 编辑推荐
√ 下一个诺贝尔物理学奖也许就是它！
首创者从零解说量子计算机的发展历程和运行原理，了解科技树顶端技术将如何推动人工智能及机器学习,尤其是深度学习实现质的飞跃。
√ 1秒vs.3年2个月！“快1亿倍”的计算机将彻底改变我们的生活！
D-Wave量子退火机已在航班时刻表、选举模型、化学、汽车设计、健康医疗、物流与金融管理等商业与科学领域投入了应用。
最近，D-Wave公司还宣布向COVID-19研究人员免费提供云量子计算服务，为抗击疫情贡献力量。
√ 了解各科技巨头围绕“量子霸权”的激烈角逐和今后走势！
D-Wave量子退火机在质疑声中接连赢得洛克希德·马丁、谷歌、NASA、洛斯·阿拉莫斯国家试验室等众多客户，谷歌宣布实现了“飞跃式运算能力”，本书还介绍了各科技巨头争相布局的量子计算机的不同原理和类型。
◎ 内容简介
谷歌和NASA联手宣布“快1亿倍”的计算机是怎样诞生、如何运行的？
量子计算机有望推动人工智能等多个领域的飞跃性发展，为何却会遭到质疑？
追求“量子霸权”的角逐中，谁迈出了领跑的第一步，谁又能从哪些方面弯道超车？
加拿大D-Wave公司研发的量子计算机虽然从问世之初便饱受质疑，但仍旧赢得了洛克希德·马丁公司、谷歌及NASA等客户，并在全球范围内引发了量子计算机研发的更大热潮。D-Wave量子计算机虽然诞生在北美，但其采用的量子退火理论和基本技术都是由日本科学家率先提出的。
西森秀稔教授正是量子退火理论的提出者之一，他与本书另一位作者大关真之副教授一直在量子计算领域的第一线从事研究，他们用尽可能简单而精准的语言，为普通读者拨开纷繁的迷雾，介绍关于量子计算机最核心的真实信息。

Machine learning (ML) is changing virtually every aspect of our lives. Today ML algorithms accomplish tasks that until recently only expert humans could perform. As it relates to finance, this is the most exciting time to adopt a disruptive technology that will transform how everyone invests for generations. Readers will learn how to structure Big data in a way that is amenable to ML algorithms; how to conduct research with ML algorithms on that data; how to use supercomputing methods; how to backtest your discoveries while avoiding false positives. The book addresses real-life problems faced by practitioners on a daily basis, and explains scientifically sound solutions using math, supported by code and examples. Readers become active users who can test the proposed solutions in their particular setting. Written by a recognized expert and portfolio manager, this book will equip investment professionals with the groundbreaking tools needed to succeed in modern finance.

http://neuralnetworksanddeeplearning.com/

《强化学习（第2版）》作为强化学习思想的深度解剖之作，被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发，深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法，并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。
《强化学习（第2版）》适合所有对强化学习感兴趣的读者阅读、收藏。

在反人工智能者中，最为人所熟悉的就是休伯特--德雷福斯及其同在伯克利执教的工程学教授斯图亚特--德雷福斯。在本书中，休伯特--德雷福斯诉诸现象学海德格尔，胡塞尔，梅洛--庞蒂以及另一派维特根斯坦的工作，提出了反对强人工智能的论证。其核心思想则是：许多人类的行为不能被简单的看作是遵照一套规则行事。
人工智能每一步特殊努力后的停滞，意味着从人类行为任何孤立的方面，不会有通向完整成人智能行为的一点的突破。棋弈、语言翻译、问题求解和模式识别都依赖人类“信息加工”的特殊形式，而这种特殊形式的人类“信息加工”，反过来又取决于人类在世界中的存在方式。对这种处于某一局势之中的方式，原则上无法用现在能想象到的技巧加以程序化。

This is the 2nd edition of "Speech and Language Processing, 2000" (http://www.douban.com/subject/1810715/).
An explosion of Web-based language techniques, merging of distinct fields, availability of phone-based dialogue systems, and much more make this an exciting time in speech and language processing. The first of its kind to thoroughly cover language technology – at all levels and with all modern technologies – this book takes an empirical approach to the subject, based on applying statistical and other machine-learning algorithms to large corporations. Builds each chapter around one or more worked examples demonstrating the main idea of the chapter, usingthe examples to illustrate the relative strengths and weaknesses of various approaches. Adds coverage of statistical sequence labeling, information extraction, question answering and summarization, advanced topics in speech recognition, speech synthesis. Revises coverage of language modeling, formal grammars, statistical parsing, machine translation, and dialog processing. A useful reference for professionals in any of the areas of speech and language processing.

本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以下载并运行的 Jupyter记事本，它将文字、公式、图像、代码和运行结果结合在了一起。此外，读者还可以访问并参与书中内容的讨论。
全书的内容分为3个部分：第一部分介绍深度学习的背景，提供预备知识，并包括深度学习最基础的概念和技术；第二部分描述深度学习计算的重要组成部分，还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络；第三部分评价优化算法，检验影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。
本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。

本书由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱（François Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，涉及计算机视觉、自然语言处理、生成式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化，读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。

在本书中，人工智能领域的权威专家朱迪亚·珀尔及其同事领导的因果关系革命突破多年的迷雾，厘清了知识的本质，确立了因果关系研究在科学探索中的核心地位。
而因果关系科学真正重要的应用则体现在人工智能领域。作者在本书中回答的核心问题是：如何让智能机器像人一样思考？换言之，“强人工智能”可以实现吗？借助因果关系之梯的三个层级逐步深入地揭示因果推理的本质，并据此构建出相应的自动化处理工具和数学分析范式，作者给出了一个肯定的答案。作者认为，今天为我们所熟知的大部分机器学习技术，都建基于相关关系，而非因果关系。要实现强人工智能，乃至将智能机器转变为具有道德意识的有机体，我们就必须让机器学会问“为什么”，也就是要让机器学会因果推理，理解因果关系。或许，这正是我们能对准备接管我们未来生活的智能机器所做的最有意义的工作。

全球科技巨头纷纷拥抱深度学习，自动驾驶、AI医疗、语音识别、图像识别、智能翻译以及震惊世界的AlphaGo，背后都是深度学习在发挥神奇的作用。深度学习是人工智能从概念到繁荣得以实现的主流技术。经过深度学习训练的计算机，不再被动按照指令运转，而是像自然进化的生命那样，开始自主地从经验中学习。
本书作者特伦斯·谢诺夫斯基是全球人工智能十大科学家之一、深度学习先驱及奠基者，亲历了深度学习在20世纪70年代到90年代的寒冬。但他和一众开拓者，利用大数据和不断增强的计算能力，终于在神经网络算法上取得重大突破，实现了人工智能井喷式的发展。
作为深度学习领域的通识作品，本书以恢弘的笔触，通过3个部分全景展现了深度学习的发展、演变与应用，首次以亲历者视角回溯了深度学习浪潮在过去60年间的发展脉络与人工智能的螺旋上升，并前瞻性地预测了智能时代的商业图景。

《信息技术和电气工程学科国际知名教材中译本系列:凸优化》内容非常丰富。理论部分由4章构成，不仅涵盖了凸优化的所有基本概念和主要结果，还详细介绍了几类基本的凸优化问题以及将特殊的优化问题表述为凸优化问题的变换方法，这些内容对灵活运用凸优化知识解决实际问题非常有用。应用部分由3章构成，分别介绍凸优化在解决逼近与拟合、统计估计和几何关系分析这三类实际问题中的应用。算法部分也由3章构成，依次介绍求解无约束凸优化模型、等式约束凸优化模型以及包含不等式约束的凸优化模型的经典数值方法，以及如何利用凸优化理论分析这些方法的收敛性质。通过阅读《信息技术和电气工程学科国际知名教材中译本系列:凸优化》，能够对凸优化理论和方法建立完整的认识。

A Turing Award-winning computer scientist and statistician shows how understanding causality has revolutionized science and will revolutionize artificial intelligence
"Correlation is not causation." This mantra, chanted by scientists for more than a century, has led to a virtual prohibition on causal talk. Today, that taboo is dead. The causal revolution, instigated by Judea Pearl and his colleagues, has cut through a century of confusion and established causality--the study of cause and effect--on a firm scientific basis. His work explains how we can know easy things, like whether it was rain or a sprinkler that made a sidewalk wet; and how to answer hard questions, like whether a drug cured an illness. Pearl's work enables us to know not just whether one thing causes another: it lets us explore the world that is and the worlds that could have been. It shows us the essence of human thought and key to artificial intelligence. Anyone who wants to understand either needs The Book of Why.

What makes people smarter than computers? These volumes by a pioneering neurocomputing group suggest that the answer lies in the massively parallel architecture of the human mind. They describe a new theory of cognition called connectionism that is challenging the idea of symbolic computation that has traditionally been at the center of debate in theoretical discussions about the mind. The authors' theory assumes the mind is composed of a great number of elementary units connected in a neural network. Mental processes are interactions between these units which excite and inhibit each other in parallel rather than sequential operations. In this context, knowledge can no longer be thought of as stored in localized structures; instead, it consists of the connections between pairs of units that are distributed throughout the network. Volume 1 lays the foundations of this exciting theory of parallel distributed processing, while Volume 2 applies it to a number of specific issues in cognitive science and neuroscience, with chapters describing models of aspects of perception, memory, language, and thought.