人工智能作为一门独立学科自20世纪中叶诞生以来，先后经历了多次跌宕起伏与技术变革，特别是进入21世纪后，深度学习与智能感知、计算机视觉、脑认知科学的快速发展，使得人工智能应用呈现井喷式发展。本书作为人工智能学科人门的导论课教材，概述了人工智能相关的智能信息处理、脑与认知科学、演化计算与群智能优化、博弈论与智能决策、机器学习及AI芯片、计算机视觉及电力智能机器人等领域的发展史、基本原理与应用案例。通过梳理各分支方向的发展历程，使读者了解并掌握相关方向发展的脉络，为今后深人学习奠定基础。本书既可作为

作为通用人工智能的重要进展，ChatGPT的出现引起了学术界和产业界人士的广泛关注。本书系统地论述了ChatGPT的发展历程、核心技术和基本原理等内容。全书共15章。第1章介绍了ChatGPT的前世今生；第2～6章论述了ChatGPT相关的基础理论与发展应用；第7～10章论述了ChatGPT的核心技术，包括Transformer、基于人类反馈的强化学习、提示学习以及模型学习与优化；第11章和第12章论述了ChatGPT的重要应用场景；第13～15章论述了以ChatGPT为代表的通用大模型范

本书的主要内容涵盖机器学习领域的主要模型和算法, 包括监督学习的分类和回归模型与算法、非监督学习的聚类和降维算法、强化学习的主要算法、迁移学习的实例以及最新前沿的相关模型和算法的实践。本书以实验项目或案例为单元, 每个单元有明确的实验目的、原理和实验步骤, 包括基础验证性实验、综合设计性实验和系统开发项目实践。

本书是写给没有学过任何计算机语言的读者的，例如大学生。本书主要讲授MATLAB的基本知识，从如何打开MATLAB的指令窗口，输入最简单的指令开始，利用MATLAB提供的交互式环境，用简明的实例向读者示范如何调用MATLAB的内部函数实现数值计算、符号运算和平面曲线、空间曲线与曲面图等图形输出，以及机器学习和线性代数与微积分的应用。本书的应用篇介绍了MATLAB在机器学习中的应用，讨论了如何应用线性代数与函数求极值的基础知识以及MATLAB 的内置函数来编程实现常用的机器学习算法，例如，（广义）线

机器学习是人工智能的重要分支。本书立足实用且易于上手实践的原则，系统地介绍机器学习领域的经典算法，以及这些算法的Python实现和典型应用。本书分4部分: 第1部分介绍监督学习，包括线性模型、决策树分类、贝叶斯分类器、集成学习和支持向量机；第2部分介绍无监督学习，包括关联规则、聚类分析和数据降维；第3部分介绍深度学习，包括神经网络、深度学习和生成对抗网络；第4部分介绍强化学习。本书所介绍的经典机器学习算法及其应用案例均给出了相关实验数据和Python代码实现，每章末尾还给出了习题和实验题，便于读

本书基于PyTorch框架介绍深度学习的有关理论和应用,以Python为实现语言。全书共分10章，内容包括深度学习的概念和发展过程、感知器、全连接神经网络、卷积神经网络、若干经典CNN预训练模型及其迁移方法、深度卷积神经网络应用案例、循环神经网络、基于预训练模型的自然语言处理、面向模型解释的深度神经网络可视化方法、多模态学习与多模态数据分类等。
本书兼顾理论与应用、原理与方法，集系统性、实用性、便捷性于一体，易于入门，实例丰富，所有代码全部经过调试和运行。此外，每一章后面都配有适量的习题，

大约在一百年前，电气化改变了交通运输行业、制造业、医疗行业、通信行业，如今AI带来了同样巨大的改变。AI的各个分支中发展为迅速的方向之一就是深度学习。
本书主要涉及以下内容：第1部分是神经网络的基础，学习如何建立神经网络，以及如何在数据上面训练它们。第2部分进行深度学习方面的实践，学习如何构建神经网络与超参数调试、正则化以及一些高级优化算法。第3部分学习卷积神经网络(CNN)，以及如何搭建模型、有哪些经典模型。它经常被用于图像领域，此外目标检测、风格迁移等应用也将涉及。后在第4部

本书重点讲解基于云平台的超参数优化、神经构架搜索以及算法选择等内容，是自动机器学习的基本任务。介绍了基于三个主要云服务提供商（包括 Microsoft Azure、Amazon Web Services (AWS) 和 Google Cloud Platform）进行 AutoML，同时部署 ML 模型和管道，具有较强的实用性。在应用场景中评估 AutoML 方面，例如算法选择、自动特征化和超参数调整，并区分云和 OSS 产品等。本书适用于从事机器学习或人工智能方向的数据科学家或工程师学习，也适

本书详细介绍了人工智能的主要概念、技术和应用等。全书共5章，首先介绍了现阶段数据标注岗位相关基础知识；其次按照数据标注任务分类，分别介绍了图像、视频、自然语言和音频数据标注方法和标注平台使用的实用技术。本书面向高职院校人工智能技术应用等专业方向低年级学生及广大人工智能初学者，书中内容紧跟课程思政要求，内容由浅入深，事实鲜明。通过本书可以在概览人工智能深度学习范畴下数据标注员岗位全貌的同时，也可以对该岗位实用技术有全面且细致的掌握。

本书面向广大数据科学与人工智能专业的学生及初学者，力求通俗易懂、简洁清晰地呈现学习大数据与人工智能需要的基础数学知识，助力读者为进一步学习人工智能打好数学基础。
全书分为 4 篇，共 19 章：微积分篇（第 1～5 章），主要介绍极限、导数、极值、多元函数导数与极值、梯度下降法等；线性代数篇（第 6～10 章），主要介绍向量、矩阵、行列式、线性方程组、特征值和特征向量等，并介绍这些数学知识在人工智能中的应用；概率统计篇（第 11～17 章），主要介绍概率、随机变量、数字特征、相关分