《人工智能及其应用（第7版）》全面系统介绍了人工智能的基本原理及其应用，涉及人工智能概述、基于知识的人工智能、基于数据的人工智能、人工智能的算法与编程、人工智能的计算能力、人工智能发展展望及人工智能的应用。第1章叙述人工智能的定义与发展，提出人工智能的核心要素、学科体系和系统分类。第2章～第4章介绍知识表示、知识搜索与推理、基于知识的机器学习。第5章～第7章介绍群体智能与进化计算、数据处理和人工神经网络、基于数据的机器学习。第8章～第9章介绍逻辑型人工智能编程语言、解释型语言和深度学习开源框架。

本书针对各专业学生的人工智能通识教育需求，系统、全面地介绍关于AIGC技术与应用的基本知识和技能，详细介绍人工智能基础、什么是LLM、熟悉AIGC、AIGC与智能体、提示工程与技巧、AIGC赋能工作、AIGC助力学习、AIGC拓展设计、AIGC丰富生活、AIGC成就艺术、AIGC伦理与限制、面向AGI等内容，具有较强的系统性、可读性和实用性。

本书的设计和编写理念是培养学生的人工智能素养和人工智能应用能力，内容的选取既适合高职学生和职业本科学生的特点，又突出人工智能的通识性、典型性、实用性和可操作性。书内容以人工智能的发展历程、典型技术、现状与未来趋势为主线，结合AIGC这一前沿技术的广泛应用，以及AI在办公领域的革新实践，实用角度剖析人工智能对现代社会的影响和变革潜力。全书共分三个大项目，内容包括AI进化论、AIGC应用、AI智能办公应用。本书旨在帮助学生洞悉人工智能发展的脉络，掌握最新AIGC技术的应用方法，并领略智能办

本书服务的主要对象为人工智能技术应用专业学生、相关人工智能类专业学生以及想要涉足人工智能的读者。本书采用"教、学、做一体化”的教学方法，围绕智能语音技术，主要介绍了云端智能语音应用、终端智能语音应用、综合智能语音应用三大部分。课程以实际项目转化的案例为主线，按"理实一体化”的指导思想，从"鱼”到"渔”，培养学生知识迁移能力，做到学以致用。本书主要特点如下：(1) 注重软硬一体相结合，以"行业应用案例”贯穿课程；(2) 引入人工智能工具平台技术，深化产教融合(3) 结合社会主义先进文化，促进课程思

本书是基于Python以及飞桨（PaddlePaddle）深度学习框架的实践性机器学习入门教程，内容涵盖Python基础语法、机器学习常用算法以及在计算机视觉和自然语言处理等经典领域的详细案例解析。

本书语言简洁易懂，注重实践与理论相结合，旨在帮助读者掌握机器学习的核心概念和技能。通过阅读本书，读者可以快速了解机器学习各种算法的应用场景，并掌握使用PaddlePaddle来解决机器学习问题的方法。对于想要入门机器学习的人来说，本书是一本实用性较强的参考书。

机器学习就是希望机器能够模拟人类学习的过程，使机器在没有明确人工指导的情况下通过分析数据不断获得经验和知识，再调整自身行为进行自我学习，从而改善性能。因此，机器学习融合了人工智能、信息科学、计算机科学、以及类脑科学的相关领域知识，被广泛应用于国防安全、智能制造、智慧医疗、智慧城市、以及数字娱乐等。本书共包含9章内容，第1-4章主要介绍了机器学习的基本方法，包括基本概念、无监督聚类分析、有监督统计学习和有监督判别学习；第5-7章主要介绍了深度学习基础知识、经典网络、以及前沿进展；第8-9

本书系统阐述了智能算法在波束形成设计、波达方向估计与声源定位中的应用。全书分三篇，共11章，主要涉及仿人智能算法、仿生物进化智能算法、群体智能优化算法和深度学习等的原理、方法及实现框架，宽带波束形成、稳健自适应波束形成、混响背景下波束形成的设计原理与方法，以及宽带信号波达方向估计与近场声源定位算法，也给出了智能算法在波束形成器设计、波达方向估计和声源定位中的应用实例。
本书内容涉及较广，在内容组织上力求系统、科学、合理，特别注重逻辑性，介绍由浅入深，便于自学。本书可作为人工智能、

深度学习技术作为人工智能领域的一门新兴技术，已成为人工智能科研领域、企业应用领域中常用的一门技术。本教材由神经网络基本训练规则、感知器、BP网络作为基础，讲述神经网络基础训练方法。并通过自编码器网络，将浅层网络过度到深度神经网络部分，详细讲解卷积神经网络原理及训练方法、卷积神经网络的发展以及基于卷积神经网络的目标检测算法等。而后，对序列信息处理神经网络—循环神经网络进行讲解。本教程采用由浅入深的方式，对深度学习相关理论进行讲解，满足教学过程中的需要。

本书为十四五高等职业教育新形态一体化教材之一,通过贴近生活的挑橘子一例引出机器学习的概念,并展开介绍了机器学习的完整流程、算法分类以及常用工具等。 本书以项目任务的组织方式,以通俗的情境作为项目导入,制定明确的项目目标,以算法的基本原理为知识导入,然后开始项目实施环节,以多个实训任务分别练习算法在解决回归、分类或聚类问题时的一般流程,最后以习题的形式巩固所学知识和技能。本书的实训项目主要包含机器学习中基础的算法应用,即线性回归算法、k-近邻算法、逻辑回归算法、决策树算法、聚类算法、朴素

本书详细介绍机器学习主要算法，包括：C4.5决策树、k-均值（K-means）、支持向量机（SVM）、Apriori、最大期望值、PageRank算法、AdaBoost算法、k-近邻算法（kNN）、朴素贝叶斯算法和分类回归树算法以及神经网络和深度学习的简单介绍。