本书聚焦人工智能与教育技术的融合应用，系统呈现理论、工具与实践的完整体系。全书共分6章。第1章介绍教育技术基本概念、理论基础及发展历程。第2章解析计算机与人工智能基础，涵盖硬件系统、网络技术、智能芯片及前沿应用，揭示技术底层逻辑。第3章结合教育场景，配套案例详解WPS办公软件实操技能。第4章围绕信息化教学资源获取与工具应用，强调资源整合与创新设计。第5章聚焦教学设计与实施，融入BOPPPS模型与AI技术应用策略。第6章以微课制作为主题，结合具体学科案例展示技术落地路径。本书以跨学科融合为核

"本书全面且深入浅出地介绍了机器学习技术，不仅涵盖机器学习算法原理及其实现和运行，还包括Python编程基础和深度学习入门知识，有助于初学者快速掌握算法的实际应用。本书每一节都提供了相应的Python代码实例，通过文字、公式、图像、代码和运行结果的结合，读者可以深入理解算法的实现过程。
全书分为3部分: 第一部分（第1～3章）提供必备的预备知识，包括机器学习概述、Python和NumPy基础；第二部分（第4～11章）详细介绍各种机器学习算法，涉及回归、分类、聚类等任务；第三部分（第12、1

"内容：
该教材从智能计算简介、神经计算、模糊计算、进化计算、群智能计算、密母计算、免疫计算、量子计算、多目标智能计算以及新型智能计算这10大板块介绍智能计算。
模块1 智能计算简介：介绍人工智能的概念与历史、引出智能计算的人工智能的关系，介绍智能计算的分类，介绍智能计算相关应用领域。
模块2 神经计算：介绍生物神经系统的相关知识，介绍人工神经网络的基本原理，介绍神经网络学习算法，介绍人工神经网络的分类，之后从前层神经网络过渡到深度神经网络，介绍几种典型的深度神经网络，并介绍深

"本书是一本全面深入的深度学习实践指导书，旨在为读者提供从基础概念到高级应用的系统性知识。

本书第1章从基础开始，介绍了PyTorch工具，涵盖了数据的加载与预处理，以及基础网络构建和训练流程。 第2章深入图像分类，探讨了CNN架构、数据增强技术，以及模型优化和部署策略。 第3章转向创造性图像应用，包括风格迁移、Deep Dream、GAN和超分辨率技术，并讨论了CycleGAN的应用。 第4章专注于视觉系统，讲解了目标检测、语义分割以及相关网络结构。 第5章和第6章分别探讨了循环

"随着人工智能和数字技术的飞速发展，深度学习已成为现代技术革新的核心驱动力之一。从语音识别到自动驾驶，深度学习的应用正在不断改变人们的生活方式。然而，深度学习技术的复杂性和广泛性，使得初学者和实践者在理解与应用这些技术时面临诸多挑战。因此，本书对深度学习的基本理论、核心技术及实际应用进行了系统梳理，旨在帮助读者全面掌握这一领域的核心知识。
本书融合理论、技术与实践，旨在为深度学习爱好者、高等学校计算机科学与技术、人工智能、智能科学与技术等相关专业本科生、研究生以及工业界的专业人士提供一条系

机器学习是人工智能领域的重要组成部分，其深度和广度都在持续扩展。本书不仅对机器学习基础知识进行了全面介绍，而且深入讨论了各种经典和常用的机器学习方法。通过理论与实践相结合的方式，帮助读者理解机器学习的基本原理，掌握常用的方法，并能够在实际问题中应用这些技术。本书共10章，可分为两部分。第一部分主要介绍机器学习的背景知识，包括其定义、应用领域、发展历程等。这部分旨在为读者提供一个全面的视角，从而了解机器学习的概貌。第二部分则侧重于技术的讨论，包括各种经典和常用的机器学习方法的具体实现和应

本书是一本融合人工智能及其在海洋机器人中应用的综合性教材，旨在为学生、研究人员和工程师提供全面的理论基础和实际应用技能。本书内容涵盖了人工智能的基础理论、人工神经网络在海洋机器人控制中的应用、强化学习方法在海洋机器人决策上的应用、基于深度学习的水下目标探测，以及人工智 能在海洋机器人中的具体应用实例。

本书内容已经外聘和清华大学党委审读审核通过（清委文[2025]52号）后同意安排出版。在大数据时代，数据孤岛问题严重阻碍了数据共享与人工智能应用的发展。联邦学习作为一种隐私保护的机器学习范式，允许各机构在不泄露本地数据的前提下协同训练全局模型，有效挖掘分散数据并降低泄露风险，推动了人工智能在各领域的应用。本书全面介绍了联邦学习的核心概念与关键技术，涵盖基础知识、隐私安全、个性化学习、贡献度评估、与大模型的关系、拜占庭问题及实际应用案例。本书将帮助读者深入理解并掌握联邦学习这一前沿领域的理论

《数据挖掘与机器学习》以应用为导向介绍数据挖掘与机器学习相关理论与方法，包括概述、数据与数据平台、数据预处理与特征工程、关联分析、决策树、集成学习、贝叶斯分类、神经网络与深度学习等相关理论及经典算法，以及相关实践案例。本书所有案例均通过R或Python实现，同时包含详细的分析过程和可视化内容。本书可作为统计学、数据科学与大数据等相关专业高年级本科生和硕士研究生的数据挖掘与机器学习相关课程的教材，也可作为其他数据挖掘与机器学习爱好者的参考用书。

本书介绍了机器学习的典型算法及MATLAB编程方法。主要内容包括：线性回归、非线性回归、分类、聚类、人工神经网络、支持向量机、决策树、模糊逻辑、集成学习、半监督学习、强化学习、关联规则学习、深度学习、机器阅读和机器写作等。本书注重实用性，精选了大量实例，每个实例都提供了MATLAB程序，并进行了详细的注释，有助于读者真正理解这些算法和编程方法，把它们应用到自己的工作中来解决实际问题。因此，本书具有较强的实用性和可操作性。