今年哪些人工智能书最受欢迎？异步君带你一起看一看。
1、动手学强化学习
广泛地讲，强化学习是机器通过与环境交互来实现目标的一种计算方法。机器和环境的一 轮交互是指，机器在环境的一个状态下做一个动作决策，把这个动作作用到环境当中，这个环 境发生相应的改变并且将相应的奖励反馈和下一轮状态传回机器。这种交互是迭代进行的，机器的目标是最大化在多轮交互过程中获得的累积奖励的期望。强化学习用智能体（agent）这个概念来表示做决策的机器。相比于有监督学习中的“模型”，强化学习中的“智能体”强调机器 不但可以感知周围的环境信息，还可以通过做决策来直接改变这个环境，而不只是给出一些预 测信号。
学习本书不仅能够帮助你理解强化学习的算法原理，提高代码实践能力，更能让你了解自己是否喜欢决策智能这个方向，从而更好地决策未来是否从事人工智能方面的研究和实践工作。
在机器学习领域，有一类重要的任务和人生选择很相似，即序贯决策（sequential decision making）任务。决策和预测任务不同，决策往往会带来“后果”，因此决策者需要为未来负责， 在未来的时间点做出进一步的决策。实现序贯决策的机器学习方法就是本书讨论的主题—强 化学习（reinforcement learning）。预测仅仅产生一个针对输入数据的信号，并期望它和未来可 观测到的信号一致，这不会使未来情况发生任何改变。
本书系统地介绍了强化学习的原理和实现，是一本理论扎实、落地性强的图书。
本书包含3个部分：第一部分为强化学习基础，讲解强化学习的基础概念和表格型强化学习方法；第二部分为强化学习进阶，讨论深度强化学习的思维方式、深度价值函数和深度策略学习方法；第三部分为强化学习前沿，介绍学术界在深度强化学习领域的主要关注方向和前沿算法。同时，本书提供配套的线上代码实践平台，展示源码的编写和运行过程，让读者进一步掌握强化学习算法的运行机制。
本书理论与实践并重，在介绍强化学习理论的同时，辅之以线上代码实践平台，帮助读者通过实践加深对理论的理解。本书适合对强化学习感兴趣的高校学生、教师，以及相关行业的开发和研究人员阅读、实践。
2、PyTorch深度学习实战
PyTorch是一个Python程序库，有助于构建深度学习项目。它强调灵活性，并允许用深度学习领域惯用的Python来表示深度学习模型。它的易用性使得它在研究社区中有了早期的使用者，并且在第1次发布之后的几年里，它已经成为应用程序中使用最广泛的深度学习工具之一。
我们希望本书可以作为软件工程师、数据科学家以及积极上进的学生学习深度学习的起始点，通过本书，他们能够熟练地使用PyTorch来构建深度学习项目。我们希望本书尽可能容易理解和实用，希望你能够理解本书中的概念并将它们应用到其他领域。为此，我们使用一种亲身实践的方法，希望你随时准备好计算机，这样你就可以对书中的示例有更深入的理解。读完本书后，我们希望你能够获得数据源，并能根据优秀的官方文档来构建一个深度学习项目。
为了充分利用本书，你需要2件东西。
- Python编程经验。我们不打算在这一点上花篇幅介绍。你需要了解Python数据类型、类、浮点数等。
- 潜心钻研、亲自动手实践的意愿。我们将从基础开始构建我们的工作知识。如果你跟着我们一起动手学习，学起来会容易很多。
本书由3个部分组成。第1部分介绍基础知识，详细介绍通过PyTorch提供的工具将图1.1所示的深度学习的过程转化为代码实现。第2部分将带你完成一个完整的涉及医学影像的端到端项目，CT扫描结果中查找并对肿瘤进行分类，以第1部分介绍的概念为基础，并添加更高级的主题。本书结束部分，即第3部分，简短介绍PyTorch提供的将深度学习模型部署到生产环境的相关内容。
深度学习是一个巨大的空间，本书只覆盖该空间的一小部分。具体来说，包括一些使用PyTorch进行较小范围的图像分类和分割的项目，通过一些示例处理二维和三维的图像数据集。
本书的重点在于PyTorch实践，目的是覆盖足够的范围，让你能够通过深度学习来解决现实世界中机器学习的问题，如在视觉领域应用深度学习领域中现有的模型或探索研究文献中提出的新模型。与深度学习相关的最新出版物，大部分可以在arXiv官网的公共预印库中找到
3、深度学习[deep learning]
深度学习领域奠基性经典畅销书，数据科学家和机器学习从业者必读，长期位居美亚AI和机器学习类图书榜首，图灵奖获奖作品。
深度学习(deep learning)通过其他较简单的表示来表达复杂表示，解决了表示学习中的核心问题。
深度学习让计算机通过较简单的概念构建复杂的概念。图1.2展示了深度学习系统如何通过组合较简单的概念(例如角和轮廓，它们反过来由边线定义)来表示图像中人的概念。深度学习模型的典型例子是前馈深度网络或多层感知机(multilayer perceptron,MLP)。多层感知机仅仅是一个将一组输入值映射到输出值的数学函数。该函数由许多较简单的函数复合而成。我们可以认为不同数学函数的每一次应用都为输入提供了新的表示。
学习数据的正确表示的想法是解释深度学习的一个视角。另一个视角是深度促使计算机学习一个多步骤的计算机程序。每一层表示都可以被认为是并行执行另一组指令之后计算机的存储器状态。更深的网络可以按顺序执行更多的指令。顺序指令提供了极大的能力，因为后面的指令可以参考早期指令的结果。从这个角度上看，在某层激活函数里，并非所有信息都蕴涵着解释输入的变差因素。表示还存储着状态信息，用于帮助程序理解输入。这里的状态信息类似于传统计算机程序中的计数器或指针。它与具体的输入内容无关，但有助于模型组织其处理过程。
图1.2 深度学习模型的示意图。计算机难以理解原始感观输入数据的含义，如表示为像素值集合的图像。将一组像素映射到对象标识的函数非常复杂。如果直接处理，学习或评估此映射似乎是不可能的。深度学习将所需的复杂映射分解为一系列嵌套的简单映射(每个由模型的不同层描述)来解决这一难题。输入展示在可见层(visible layer)，这样命名的原因是因为它包含我们能观察到的变量。然后是一系列从图像中提取越来越多抽象特征的隐藏层(hidden layer)。因为它们的值不在数据中给出，所以将这些层称为“隐藏层”;模型必须确定哪些概念有利于解释观察数据中的关系。这里的图像是每个隐藏单元表示的特征的可视化。给定像素，第1层可以轻易地通过比较相邻像素的亮度来识别边缘。有了第1隐藏层描述的边缘，第2隐藏层可以容易地搜索可识别为角和扩展轮廓的边集合。给定第2隐藏层中关于角和轮廓的图像描述，第3隐藏层可以找到轮廓和角的特定集合来检测特定对象的整个部分。最后，根据图像描述中包含的对象部分，可以识别图像中存在的对象(经Zeiler and Fergus(2014)许可引用此图)
本书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后，本书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型。
4、人工智能（第2版）
人工智能百科全书，易于上手的人工智能自学指南，涵盖机器学习、深度学习、自然语言处理、神经网络、计算机博弈等知识，图文详细讲解细致，配备丰富的教学资源和学习素材。《人工智能（第2版）》已被国内近百所高校采用
人工智能是一门独特的学科，允许我们探索未来生活的诸多可能性。在人工智能短暂的历史中，它的方法已经被纳入计算机科学的标准技术中。这样的例子包括，在人工智能研究中产生的搜索技术和专家系统，并且这些技术现在都嵌入了许多控制系统、金融系统和基于Web的应用程序中。
- ALVINN是一个基于神经网络的系统，用于控制车辆；它曾经用来在卡内基梅隆校区附近驾驶汽车。
- 目前，许多人工智能系统用于控制财务决策，例如购买和销售股票。这些系统使用各种人工智能技术，如神经网络、遗传算法和专家系统。基于互联网的智能体搜索万维网，寻找用户感兴趣的新闻文章。
- 科技进步显著地影响了我们的生活，这种趋势无疑将会继续。
本书包括引言、基础知识、基于知识的系统、高级专题以及现在和未来五部分内容。第一部分从人工智能的定义讲起，就人工智能的早期历史、思维和智能的内涵、图灵测试、启发法、新千年人工智能的发展进行了简要论述。第二部分详细讲述了人工智能中的盲目搜索、知情搜索、博弈中的搜索、人工智能中的逻辑、知识表示和产生式系统等基础知识。第三部分介绍并探究了人工智能领域的成功案例，如DENDRAL、MYCIN、EMYCIN等经典的专家系统，振动故障诊断、自动牙科识别等新的专家系统，以及受到自然启发的搜索等。第四部分介绍了自然语言处理和自动规划等高级专题。第五部分对人工智能的历史和现状进行了梳理，回顾了几十年来人工智能所取得的诸多成就，并对其未来进行了展望。
本书系统、全面地涵盖了人工智能的相关知识，既简明扼要地介绍了这一学科的基础知识，也对自然语言处理、自动规划、神经网络等内容进行了拓展，更辅以实例，可以帮助读者扎扎实实打好基础。本书特色鲜明、内容易读易学，适合人工智能相关领域和对该领域感兴趣的读者阅读，也适合高校计算机专业的教师和学生参考。