本书介绍与人工智能关系紧密的数学知识模块，以使读者更好地掌握数学方法在人工智能领域的应用。本书整合了随机过程、矩阵论和运筹学中相关的数学基础，共12章，分为3部分。第1部分为随机过程，包括第1～3章，主要介绍概率论预备知识、随机过程的概念和基本类型、马尔可夫链。第2部分为矩阵论，包括第4～8章，主要介绍矩阵论预备知识、线性空间与线性变换、范数理论及其应用、矩阵分解和特征值的估计。第3部分为运筹学，包括第9～12章，主要介绍运筹学思想与运筹学建模、数学规划、**化问题和多目标决策。
本书面向

本书以机器学习算法为主题，详细介绍算法的理论细节与应用方法。全书共19章，分别介绍了逻辑回归与最大熵模型、k-近邻模型、决策树模型、朴素贝叶斯模型、支持向量机模型、集成学习框架、EM算法、降维算法、聚类算法、神经网络模型等基础模型或算法，以及8个综合项目实例。本书重视理论与实践相结合，希望为读者提供全面而细致的学习指导。

本书围绕人工智能的基础、模型和应用介绍Python编程语言，最终实现基于RNN和CNN的人工智能典型应用。具体内容包括：Python编程基础、Python编程进阶、人工智能概述、人工智能实践四个模块。Python编程基础模块包括Python的基本语法和数据结构，Python编程进阶包括面向对象编程、数值计算和可视化，为实现人工智能模型与应用打下基础；人工智能概述部分在简单介绍机器学习流程的基础上，基于numpy实现线性回归和逻辑斯蒂回归，使得读者对机器学习有感性和深入的认识；在人工智能实践部分，

本书主要内容分为三部分，逐步引导学生由浅入深、由简到难地学习。第一部分是环境基础教学，包括第1、2章，分别是实验环境搭建和Python编程语言基础；第二部分是机器学习，包括第3～11?章，详细介绍了机器学习的核心算法原理及相关实战案例，如利用隐形眼镜数据集构建随机森林模型来预测适合客户的隐形眼镜类型、基于朴素贝叶斯分类算法实现年收入预测、采用支持向量机算法预测泰坦尼克号人员存活率；第三部分是深度学习，包括第12～16章，重点介绍深度学习基础知识和不同经典网络原理及相关实战案例，如利用卷积神经网络

全书共四篇，第一篇：人工智能基础。主要内容包括绪论、知识表示、自动推理、搜索求解策略。第二篇：人工智能热点技术。主要内容包括机器学习、深度学习、自然语言处理、图像和视频处理、智能计算。第三篇：人工智能技术的应用。主要内容包括智慧交通、智能机器人、智慧航空、智慧生态保护。第四篇：人工智能安全关切及未来展望。主要内容包括人工智能安全、元宇宙与人工智能、人工智能发展趋势。是一本基础性强、实用性好、易于教学开展的人工智能教材。

《现代人工智能技术》对现代人工智能的理论、算法、框架及应用进行了全面、系统的论述,剖析了人工智能研究领域的前沿学术成果,涵盖了机器学习、深度学习、强化学习以及联邦学习等诸多方向。读者通过学习本书,能够掌握人工智能的基本知识,并能了解人工智能研究的一些前沿内容,为进一步学习人工智能理论与应用奠定基础。全书共分为9章,分别为绪论、知识表达、推理方法、智能算法、机器学习、神经网络、深度学习、强化学习、联邦学习。
本书可作为计算机类、自动化类、电气类、电子信息类专业的本科生、研究生学习人工智能课程

本书共5个项目，内容包括边缘计算开发板基础应用、边缘计算算法SDK应用、TensorFlow图像上色模型部署、PyTorch目标检测模型部署、TFLite手掌检测模型部署。本书根据岗位工作任务要求，确定学习任务内容，设计选取了14个工作任务。

本书在全面覆盖人工智能框架知识的基础上，以精简内容、突出重点为准则，避免面面俱到。每一部分都是挑选经典、实用的知识内容，同时配有典型案例和源代码，将人工智能原理融会到典型案例中详细讲授，可以使初学者以较快的节奏学习、实践人工智能基础知识，重点掌握关键部分的常用算法，进而了解人工智能领域的知识轮廓。


全书共分7章： 第1章为绪论，简要介绍人工智能发展历史和相关技术内容； 第2章为知识表示和推理，着重讲授归结演绎推理和产生式系统； 第3章为搜索技术，讲授典型的搜索技术，主要包括

本书全面介绍当前人工智能技术基础理论和方法，包括深度神经网络、知识图谱、图神经网络、生成式人工智能方法和机器学习方法5部分内容；重点介绍深度神经网络基本原理、卷积神经网络、循环神经网络、注意力机制和变形金刚(Transformer)，介绍知识图谱、图神经网络和生成式人工智能的基本理论与方法，最后简要介绍弱监督、自监督、迁移学习、深度强化学习、元学习和小样本学习、持续学习等机器学习方法，还介绍了大语言模型中的机器学习方法。

本教材总结了人工智能的发展历程和取得的阶段性成果，涵盖了人工智能主要的两大类内容：符号主义和联接主义，重点阐述了人工智能经典理论和方法，补充完善了丰富的人工智能新技术。内容包括：绪论、知识表示和逻辑推理、搜索技术、进化算法和群智能算法等传统的人工智能范畴，以及机器学习、强化学习、自然语言处理等人工智能的新技术。