一、有哪些有关人工智能的好书值得推荐？
深受亚马逊、京东、当当喜爱的“人工智能”四件套：《与机器人共舞》
《奇点临近》
《人工智能的未来》
《图解机器学习》买不到吃亏，买不了上当。。。
二、智能机器人领域有什么好书推荐的
智能机器人是机器学的成果，比较出名的是这四本：《与机器人共舞》《奇点临近》《人工智能的未来》《图解机器学习》，京东和亚马逊都有卖，希望能帮到您，望采纳。
三、看电视上有很多明星家里都用人工智能电视？值得买吗？
明星们当然是想用好电视才买的人工智能电视不是吗~？目前很多品牌都有推出人工智能电视，不过其中8K电视目前比较受瞩目。因为8K电视的规定色深为12bit，能够显示684.8亿种颜色，更高的色深能够增加画面在三维意义上的解析度，带来更平滑的色彩过渡表现，尤其是显示光晕时，光源四周的色彩过渡会更自然，这样的话，就能带给观众更强烈的纵深感和代入感了。现在的8K电视分辨率达到了7680*4320，高出4K电视四倍之多，可想而知，其画质有多清晰了~如果楼主对电视画质要求高的话，买8K人工智能电视当然非常值得！
四、用户画像机器学习用到了哪些算法
很多，主要说下监督学习这块的算法哈。欢迎讨论。svm，支撑向量机，通过找到样本空间中的一个超平面，实现样本的分类，也可以作回归，主要用在文本分类，图像识别等领域，详见：；
lr，逻辑回归，本质也是线性回归，通过拟合拟合样本的某个曲线，然后使用逻辑函数进行区间缩放，但是一般用来分类，主要用在ctr预估、等；
nn，神经网络，通过找到某种非线性模型拟合数据，主要用在图像等；
nb，朴素贝叶斯，通过找到样本所属于的联合分步，然后通过贝叶斯公式，计算样本的后验概率，从而进行分类，主要用来文本分类；
dt，决策树，构建一棵树，在节点按照某种规则（一般使用信息熵）来进行样本划分，实质是在样本空间进行块状的划分，主要用来分类，也有做回归，但更多的是作为弱分类器，用在model embedding中；
rf，随进森林，是由许多决策树构成的森林，每个森林中训练的样本是从整体样本中抽样得到，每个节点需要进行划分的特征也是抽样得到，这样子就使得每棵树都具有独特领域的知识，从而有更好的泛化能力；
gbdt，梯度提升决策树，实际上也是由多棵树构成，和rf不同的是，每棵树训练样本是上一棵树的残差，这体现了梯度的思想，同时最后的结构是用这所有的树进行组合或者投票得出，主要用在、相关性等；
knn，k最近邻，应该是最简单的ml方法了，对于未知标签的样本，看与它最近的k个样本(使用某种距离公式，马氏距离或者欧式距离)中哪种标签最多，它就属于这类；
五、机器学习非监督机器学习算法有哪些
非监督机器学习可以分为以下几类
（1）聚类：K-均值聚类、谱聚类、DBSCAN聚类、模糊聚类、GMM聚类、层次聚类等
（2）降维：PCA、t-SNE、MDS等
（3）其它：PageRank、SOM等
详细介绍可以参考图书：The Elements of Statistical Learning的第14章
六、如何选择机器学习算法
图片是 coursera 上机器学习公开课中的截图，简单说一下：
如果特征数量远大于训练样本数，则使用逻辑回归或线性核方法的SVM
如果特征数较小，而样本数量相对较多，可以考虑高斯核方法的SVM
如果特征数少儿样本数极大，可以考虑增加一些特征，再使用逻辑回归或线性核方法的SVM
神经网络则对上述情况都可适用，但训练时间较长
