本书对机器学习的基础知识和基本算法进行了详细的介绍，对广泛应用的经典算法(如线性回归、逻辑回归、朴素贝叶斯、支持向量机、决策树和集成学习等)进行了深入的分析，并讨论了无监督学习的基本方法。用6章对深度学习和深度强化学习进行了相当全面的叙述，不仅深入地讨论了反向传播算法、多层感知机、卷积神经网络、循环神经网络和长短期记忆网络等深度神经网络的核心知识和结构，对于一些发展中的专题(如Transformer、大模型和深度生成模型等)也给予了一定深度的介绍。对于强化学习，不仅介绍了经典表格方法，

本书基于国内外对混沌神经网络的研究成果，提出了一种基于脑电波生物机制的变频正弦混沌神经网络（FCSCNN）模型，并通过对该模型的激励函数、退火函数、生物机制、优化机制等进行研究，进一步提出了多种衍生模型。本书详细分析了FCSCNN模型及其衍生模型的混沌动力学特性，通过对解决函数优化、组合优化等问题与同类模型进行对比实验，验证了FCSCNN模型及其衍生模型的优化性能。本书适用于人工神经网络、人工智能等相关专业领域的高校学生、教师及科研工作者。

"《自动控制原理（MATLAB版·新形态版）》从控制系统建模、分析和设计三方面入手，比较全面地阐述了自动控制的基本理论和应用，主要内容包括自动控制的一般概念、自动控制系统的数学模型、时域分析法、根轨迹法、频域分析法、控制系统的校正、离散系统理论和非线性控制系统分析等内容。
《自动控制原理（MATLAB版·新形态版）》详细介绍了MATLAB仿真方法，并给出了大量的MATLAB仿真例题。此外，每章均配有适量习题，并根据习题的难易程度和综合性，将其分为自测题和基础题。本书为“纸数”一体化设计，针

本书全面且详细地阐述了控制工程领域的基础理论知识。全书共7章，深入浅出地介绍了自动控制系统的基本概念、控制系统的数学模型、基于传递函数的时域分析与设计、控制系统的根轨迹分析与设计、控制系统的频域分析、控制系统的校正、线性离散系统的分析和校正相关知识。

本书是一本精简的神经网络入门教程，用通俗易懂的语言讲解神经网络的相关知识。本书共6章，第1章对神经网络领域进行概述，包括其历史和应用；第2章深入探讨神经元的数学模型，包括其输入、权值、偏置和激活函数；第3章介绍感知机的概念，讨论感知机的结构，并解释如何用它来解决简单的分类问题；第4章介绍多层感知机的概念，讲述如何使用前馈传播和反向传播，同时详细介绍了反向传播中用到的链式法则；第5章涵盖训练神经网络时使用的各种参数和算子；第6章介绍神经网络的分布式学习、压缩和解释，其中分布式学习涵盖使用

机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书内容涵盖了机器学习的基础知识，主要包括机器学习的概论、统计学习基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、进化计算、文本分析等经典的机器学习理论知识，也包括用于大数据机器学习的分布式机器学习算法、深度学习和加强学习等高等级内容。此外，还介绍了机器学习的热门应用领域技术，并给出了华为机器学习平台上的实验。本书深入浅出、内容全面、案例丰富，每章后都有习题和参考文献，便于巩固学习，适用于高等院校本科生、研究生机器学习、数据分析、数据挖掘

本书图文并茂、深入浅出地介绍了机器学习算法所需的数学、Python语言编程基础知识，以及回归模型、K 近邻、K 均值、决策树、弱学习器集成、人工神经网络、深度学习等常用的机器学习算法。全书共10 章，每章习题中都配套了实验练习环节，实验内容包括Python 开发环境配置、机器学习算法的实际应用等，所有实验都配有Jupyter 的Python 代码，从而使读者既能掌握算法理论原理，又能进行实际应用。
　　本书适合作为普通高等院校本科或研究生阶段的人工智能、机器学习、数据挖掘等课程的教材，也适

本教材系统地讲解了机器学习的理论与方法，内容主要包括高斯混合模型和EM算法、主题模型、采样与非参数贝叶斯方法、聚类分析、支持向量机、概率无向图模型、概率有向图模型、矩阵与张量分解、多层感知机与卷积神经网络、序列神经网络，以及强化学习。本教材旨在使读者了解机器学习的发展，理解和掌握机器学习的基本原理、方法与主要应用。本书内容丰富，着重与讲解机器学习理论的推导与证明，并通过实例进行方法分析与比较；本书强调机器学习的系统性、完整性、方法的时效性，可读性强；同时，作为新形态教材，本书配备了大量

本书分为八章，内容涵盖深度学习概念、深度学习框架、深度学习网络结构等基础知识，以及图像分类、目标检测、文本分类、文本翻译等深度学习实践任务。

"模式识别是人工智能技术的重要分支，也是实现机器智能的重要手段。本书作为该领域的入门教材，介绍了各类典型的模式识别的理论与方法。全书共10章。第1章为绪论；第2~5章介绍与模式识别相关的人工智能基础知识，包括智能 Agent、确定性知识表示与推理、搜索策略、智能优化算法等；第6章介绍特征提取与选择方法，应用于模式识别中的预处理过程；第7~10章介绍各种典型的模式识别模型和算法，包括基于判别函数的分类方法、基于概率的分类方法、人工神经网络,以及聚类分析。
本书可作为高等院校电子信息类、计算机