王家林，Apache Spark执牛耳者
　　现工作于硅谷的AI实验室，专注于NLP框架
　　超过20本Spark、AI、Android书籍作者
　　Toastmasters International Division Director GRE博士入学考试连续两次满分获得者
　　
　　段智华，就职于中国电信股份有限公司上海分公司，系统架构师，CSDN博客专家，专注于Spark大数据
　　技术研发及推广，跟随Spark核心源码技术的发展，深入研究Spark 2.1.1版本及Spark 2.2.0版
　　本的源码优化，对Spark大数据处理、机器学习等技术有丰富的实战经验和浓厚兴趣。

全代码讲解深度学习框架开发，

案例式讲解机器学习案例，

透彻剖析开源AI和大数据存储编排平台Alluxio

　　2016年3月，阿尔法狗击败了我们这个星球上最出色的围棋选手，其特殊之处在于阿尔法狗下围棋时使用了一种设计人员没有想到的策略，这是人工智能里程碑式的胜利。
　　2017年7月，国务院正式发布《新一代人工智能发展规划》，明确把人工智能发展作为国家战略。人工智能是21世纪的三大尖端技术（基因工程、纳米工程、人工智能）之一。国务院发布人工智能分三步走的规划中指出：到2030年，中国的人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，智能经济、智能社会取得明显成效，为跻身创新型国家前列和经济强国奠定重要基础。
　　如何驾驭人工智能时代的技术？如何掌握人工智能各种具体的实战技术？如何使用统一内存技术驾驭任意类型的数据？本书基于实践尝试给予这些问题答案。
　　（1）盘古人工智能框架开发专题篇，包含第1～16章，以图文并茂的形式，带领读者一行一行地编写代码来实现当今主流深度学习框架的核心技术，通过实践解密PyTorch和TensorFlow等最流行技术背后的设计和实现，并讲解深度学习框架在电信运营方面的应用案例。
　　（2）机器学习案例实战篇，包含第17～35章，选取机器学习开发中最具代表性的经典学习案例，透彻讲解机器学习数据预处理，简单线性回归、多元线性回归、多项式回归、支持向量回归、决策树回归、随机森林回归等回归算法，逻辑回归、k近邻算法、支持向量机、朴素贝叶斯算法、决策树分类、随机森林分类等分类算法，k均值聚类、层次聚类等聚类算法，以及关联分析算法，并分别对回归模型、分类模型进行性能评估。
　　（3）分布式内存管理Alluxio解密篇，包含第36～40章，详细讲解Alluxio架构、部署、底层存储及计算应用、基本用法、运行维护等内容。
　　基于美国最流行的Heuristic learning（启发式学习）理念，本书所有的内容都是按照具体的问题场景、核心原理、解决方案的顺序组织，均以动手实践的方式一步步驱动学习者流畅地完成，带来无痛苦的学习体验。
　　读者在阅读本书的过程中，如发现任何问题或有任何疑问，可以加入本书的阅读群（QQ：418110145）讨论，会有专人答疑。同时，该群也会提供本书所用案例源代码及本书的配套学习视频。笔者的新浪微博是http：//weibo.com/ilovepains/，欢迎大家在微博上与我交流。

盘古人工智能框架开发专题篇
第1章 导论：为什么人工智能是必然的未来
1．1 为什么一定需要人工智能
1．2 人工智能为何如此强大
1．3 学习人工智能的正道
1．4 人工智能、机器学习、深度学习三者之间的关系
1．5 人工智能的十大经典应用场景
1．6 人工智能在海量数据处理中不可替代的原因
1．7 本书开发环境的安装
第2章 盘古人工智能框架多层次神经网络的实现
2．1 盘古人工智能框架
2．2 实现神经网络的节点结构
2．3 实现神经网络层之间节点的连接
2．4 如何初始化神经网络的权重
2．5 实现多个隐藏层
第3章 盘古人工智能框架的前向传播功能
3．1 前向传播功能
3．1．1 从TensorFlow的可视化运行过程理解前向传播功能
3．1．2 从架构层面理解前向传播功能
3．1．3 理解前向传播原理
3．2 在每个节点上增加数据的输入和计算结果
3．3 实现前向传播算法
3．4 使用Sigmoid函数作为激活函数
3．5 测试前向传播算法并分析计算结果
第4章 盘古人工智能框架的反向传播功能
4．1 深度学习是如何学习的
4．2 实现反向传播算法
4．3 反向传播算法测试及分析计算结果
第5章 盘古人工智能框架的损失度计算及其可视化
5．1 关于损失度的思考——所有人工智能框架终身的魔咒
5．2 编码实现损失度并进行测试
5．3 损失度可视化运行结果
第6章 通过特征归一化和自适应学习优化盘古人工智能框架
6．1 盘古人工智能框架性能测试及问题剖析
6．2 使用特征归一化进行性能优化
6．3 使用自适应学习进行性能优化
第7章 盘古人工智能框架实现方法大总结
7．1 盘古人工智能框架性能测试
7．2 神经网络实现及和TensorFlow的对比
7．3 前向传播算法实现及其和TensorFlow的算法对比
7．4 反向传播算法实现及与TensorFlow的对比
7．5 损失度计算实现与TensorFlow的对比
7．6 人工智能盘古框架源代码
第8章 使用矩阵的方式编写人工智能框架
8．1 使用矩阵编写人工智能框架
8．2 测试及分析计算结果
8．3 对使用矩阵方式编写的人工智能框架进行优化
第9章 使用四种性能优化矩阵编写人工智能框架
9．1 梯度下降陷阱
9．2 增加和调整alpha参数
9．3 人工智能框架的改进优化
第10章 人工智能及感知元解密
10．1 人工智能是什么，怎么做，前景为什么好
10．2 计算机视觉面临的困境及突破
10．3 感知器解密
10．4 计算机图像识别
第1 1章神经网络结构及Sigmoid函数
11．1 神经网络实现与非门
11．2 神经网络为什么能够完成各类计算
11．3 神经网络的结构解密．：
11．4 Sigmoid函数背后的设计和实现密码
11．5 Sigmoid函数的弱点及改进
第12章 用神经网络识别手写数字
12．1 神经网络识别手写数字的原理
12．2 为何识别数字的三层神经网络输出层为10个神经元
……
机器学习案例实战篇
分布式内存管理Alluxio解密篇