本书以项目为载体，依序对机器学习、深度学习和计算机视觉进行实践探究，帮助读者认识三者的关系，聚焦深度学习技术应用的重点领域计算机视觉，从调用云服务接口和开发模型两个方面做深层次探究。本书以企业用人需求为导向，以岗位技能和综合素质为核心，通过理论教学与实践教学相结合的方式，旨在培养具有深度学习技术应用意识，能够根据不同行业的不同需求，进行深度学习应用开发的高水平技术技能型人才。 全书共 3 篇：入门篇（项目1～项目3）为走进深度学习，分别对机器学习、深度学习和计算机视觉展开学习；基础篇（项目4～项

深度学习是人工智能的重要分支，在多个应用领域取得了突破性成果。本书作为深度学习的入门教材，基本涵盖了深度学习的各个方面。全书共8章，第1章概要介绍了深度学习的基本概念、典型算法及应用；第2~5章是本书的核心内容，详细介绍了卷积神经网络、循环神经网络、Transformer和生成对抗网络的基本原理、典型算法以及主要应用；第6章介绍了一些典型的深度生成模型以及近期比较流行的扩散模型；第7章介绍了深度学习中常用的正则化与优化方法；第8章介绍了TensorFlow、PyTorch和飞桨三个常用的深度学习

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。

本书从适应教学研究型大学的要求出发，以经典控制理论为主，较系统地介绍了自动控制理论的基本内容，着重于基本概念、基本理论、基本分析方法及典型应用。本书共8章，包括：引论、控制系统的数学模型、时域分析法、根轨迹分析法、频域分析法、控制系统的校正、非线性系统分析、离散控制系统等。本书重点突出，叙述深入浅出，文字简明流畅，实用性强。书中除有一般性的例题和习题外，另有典型实例贯穿教材始终，每章还附有综合性的例题精解以及MATLAB在控制系统分析和设计方面的应用。每章都设有导读和小结，便于学生学习

本书系统地介绍了自动控制理论的基本内容，并注重阐述基本理论、基本概念和综合分析方法。本书共分9章，主要内容包括：绪论、自动控制系统的数学模型、时域分析法、根轨迹分析法、频率分析法、控制系统的校正、离散控制系统以及现代控制理论基础的部分内容与非线性系统分析。本书重点突出，层次分明，理论联系实际。各章不仅介绍MATLAB相关应用的内容，而且有一定数量的典型例题分析。

本书是以实验案例方式而组织的, 全书共给出了21个人工智能实验案例, 覆盖了人工智能课程涉及的主要内容, 包括搜索求解、逻辑推理、贝叶斯网络、马尔可夫决策、监督学习、非监督学习、强化学习等各个方面, 也包含了深度神经网络技术。为了便于教学, 每个实验案例对实验的内容、背景和目标进行了明确阐述, 对所涉及的理论基础及算法也进行了详细介绍, 并提供了相应的Python语言代码。

面对数字经济背景下大数据分析的现实需求，本书分别从经济理论阐述、数学原理推导、程序代码实现三个角度，系统全面地阐释了各类经典机器学习模型的理论内涵和适用范围，以及基于 Python 编程语言进行算法训练、模型测试和参数调优的具体方法。本书配有A、B两个附录，介绍了 Python 语言基本语法规则，以及经济大数据分析所涉及的Python 工具包。 本书旨在培养能够综合运用经济学思维、数理分析方法、数据科学工具，分析和解决经济社会发展中的理论和实际问题的复合型人才；可作为高等院校经济管理、计算机等专

本书在系统介绍了机器学习的基础上详细讲解了神经网络和深度神经网络的结构原理、模型训练与优化方法，重点针对典型工作任务，详细讲解了卷积神经网络(ＣＮＮ)和循环神经网络(ＲＮＮ)的基本结构和主要操作。全书共分为七个模块。模块一主要介绍了人工智能与机器学习；模块二主要介绍了人工智能的开发工具及开发环境；模块三介绍了机器学习相关的数学基础知识；模块四对典型的机器学习算法进行了介绍；模块五对神经网络的结构和基本原理进行了剖析；模块六对卷积神经网络(ＣＮＮ)的结构和模型训练优化进行了详细的分析说明

本书详细介绍了强化学习的理论推导、算法细节。全书共12章，包括强化学习概述、马尔可夫决策过程、退化的强化学习问题、环境已知的强化学习问题、基于价值的强化学习算法、基于策略的强化学习算法、AC型算法、基于模型的强化学习算法等相关知识。本书系统性强、概念清晰，内容简明通俗。除了侧重于理论推导，本书还提供了许多便于读者理解的例子，以及大量被实践证明有效的算法技巧，旨在帮助读者进一步了解强化学习领域的相关知识，提升其现实中的工程能力。本书可作为高等院校数学、计算机、人工智能等相关专业的强化学习教材，但需