本书秉持“学生易学”的理念，注重实践能力的训练，内容编排遵循“人工智能理论通识+AIGC工具应用通识”双线递进式教学路径，以企业级实战项目为载体，以“人工智能+”理念为红色研学、智能手表、智能家居、旅游服务、亲子烘焙、非遗数字化工程、数字电商和数字营销8个场景设计了8个项目，并拆解成28个任务。通过精简深奥的的理论算法

本书从机器学习的需求出发,介绍实数域内矩阵理论的基本思想及方法,并辅以直观图解和实际案例,从而大幅降低机器学习的数学门槛。本书共7章,第1章从主成分分析谈起,通过PCA的原理介绍串联起机器学习中的矩阵方法。第2-7章详细介绍第1章中涉及的矩阵理论和方法,包括矩阵与向量空间、矩阵与内积空间、矩阵的度量与分解、向量函数的微

本书共14章,分为四篇:第一篇为深度学习相关的基本概念与理论(第1-2章)梳理了深度学习的发展历程、前沿与趋势,介绍了机器学习任务类型、评价指标、过拟合与欠拟合偏差与方差、最大似然估计、贝叶斯决策、损失函数设计等;第二篇介绍典型神经网络(第3-7章)包括多层感知机、卷积神经网络、循环神经网络、Transformer和图

本书以理工类专业为读者对象，以人工智能通识教育为目标，全书共6章，主要内容包括人工智能概述与发展历史，如人工智能的历史、发展等；机器学习，如机器学习概述、机器学习流程和常见算法等；神经网络与深度学习，如神经网络的基本概念、常见的深度学习结构、深度学习的工具与实现等；计算机视觉基础，计算机视觉的定义与目标、技术基础、常用

本书主要内容包括：机器学习概述、机器学习的统计学基础、机器学习的常用Python库、机器学习的基本流程、回归、分类：Logistic回归和最大熵模型、分类：决策树、分类：贝叶斯分类器、分类：支持向量机、分类：集成学习、聚类分析、降维、神经网络、深度学习。

本书首先简述人工智能的基本概念、发展历程,分类及在医疗、金融、交通等领域的应用,引入AI概貌;接着,系统介绍人工智能的核心技术分支,包括机器学习、强化学习、神经网络与深度学习(涵盖CNNRNN,Transformer等模型);随后,通过实例详细阐述AI在自然语言处理(包括DeepSeek、GPT,BERT等大语言模型)

本书主要分为机器学习的基础、非参数化模型、线性模型、聚类方法、降维方法、EM算法与隐变量模型、集成学习、概率图模型、人工神经网络基础、神经网络模型、生成式模型、自监督学习、强化学习基础、强化学习算法、深度强化学习等模块。

本书从智能的概念出发,了解、学习人工智能的发展历史和发展动向,初步掌握人工智能的基本技术和研究方法,重点掌握表达、搜索、推理和学习等人工智能技术手段;了解人工智能的应用领域,为今后进一步从事相关专业奠定基础。

本书系统介绍人工智能逻辑,共分三部分:第一部分“知识表示与推理”重点介绍命题逻辑、谓词逻辑和描述逻辑,这些逻辑系统是知识表示与自动推理的基础。命题逻辑(第2章)用于表达和推理有关事实的信息。谓词逻辑(第3章)则进一步支持对象属性、对象之间关系及量词结构的表达与推理。描述逻辑(第4章)则在知识图谱等领域中得到广泛应用,能

本书聚焦大模型开发全流程,从Transformer到GPT,深度解构大模型的技术核心,从0到1重构复现大模型,直击智能体开发与RAG知识库开发前沿,全书通过代码级实践揭示大模型的技术原理与奥秘,铺就一条从“理解原理”到“亲手缔造”的进阶之路。书中详解Ollama本地部署、FastAPI服务器及云端API调用,覆盖Qwe