人工智能是研究利用计算机系统实现人类智能的理论、方法和技术的学科。本书较系统进介绍了人工智能的基本内容，主要包括人工智能发展的三次热潮、知识与知识表示、推理方式、搜索策略、专家系统、机器学习、神经网络模型、深度学习、计算机视觉、自然语言处理、知识图谱、智能体、群智能算法、生物征识别和智能机器人等。
本书注重基本概念、基本方法和应用实例的介绍，谱言精炼、逻辑层次清晰、透合作为高等学校人工智能”课程的教材，也可以用作科技人员的参考书。

本书在系统介绍人工智能应用开发环境与平台的基础上, 对图像识别、人脸识别、车辆识别、语音识别、语音合成、机器翻译、聊天机器人等关键模块予以展开, 并在其间穿插目前市场上主流的企业级人工智能应用平台和典型的场景化应用开发实例, 可供广大人工智能应用开发者借鉴, 从而帮助降低人工智能应用开发门槛, 提高人工智能应用开发效率, 切实解决实际的人工智能应用问题, 将人工智能应用拓展至各行各业。

本书以人工智能为主要研究对象，较全面地介绍人工智能的基本原理、常见算法和应用技术。全书分为9章，主要内容包括：绪论、知识图谱与专家系统、智能搜索策略、机器学习、特征选择与提取、人工神经网络、深度学习、深度神经网络在图像处理中的应用、深度神经网络在语音信号处理中的应用。本书深入浅出、层次分明、循环渐进地对人工智能基础及应用进行系统的介绍，使读者学习得更加清晰明了。本书配有PPT、微课视频、习题及习题解答等资源，读者可登录华信教育资源网（www.hxedu.com.cn）免费下载。本书适合作为本科生

本书对应课程属于一门概论性课程。本书将传统的和新一代的人工智能/智能制造融于一体，从传承与发展视角出发概述人工智能与智能制造的发展现状及其相互关系，重点阐述人工智能与智能制造共性基础技术、知识驱动的符号智能、数据驱动的机器学习、智能制造理论与技术体系、智能制造的物理系统和信息系统，并指出人工智能与智能制造的未来发展方向，包括强人工智能、融合智能+混合制造、工业5.0和社会5.0、以人为中心的人工智能和智能制造、（工业）元宇宙等。

本书以PyTorch深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用PyTorch实现深度学习应用的重要内容。本书共7章，内容包括深度学习概述、PyTorch深度学习通用流程、PyTorch深度学习基础、手写汉字识别、文本生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现文本生成等。本书大部分章包含实训和课后习题，希望通过练习和操作实践，帮助读者巩固所学的内容。 本书可以作为高等学校数据科学与大数据技术或人工智能相关专业的教材，也可作为深度学习爱好者的自学

本书是一本深度学习从入门、算法到应用实践的书籍。全书共9章，第1章介绍深度学习基础，主要介绍基本概念和基本算法；第2章介绍深度学习的计算平台，主要介绍深度神经网络计算芯片TPU的架构原理；第3章介绍深度学习编程环境和操作基础，引导零基础读者快速入门Linux操作系统、Python编程语言、TensorFlow和PyTorch深度学习框架，为实现深度学习算法开发及应用部署奠定基础；第4～8章基于卷积神经网络，分别聚焦计算机视觉领域的几大经典任务，包括图像的分类、目标检测、语义分割、实例分割、人脸检

本书与工程实践紧密结合，对连续控制系统、离散控制系统、非线性系统等进行了描述，从控制系统的结构、分类、分析、设计出发，引出系统数学模型，对传递函数、动态结构图、典型环节等内容进行了细致的描述。本书重点对时域部分的系统阶跃响应分析、稳定性分析、稳态误差计算，频域部分的伯德图、幅相频率特性曲线、稳定裕度等内容进行了阐述，进而引入现代控制理论的相关内容，并针对控制方法在车辆工程中的应用给出了详细介绍。本书与“控制工程基础”慕课同步使用，便于读者学习。

本书是江苏省高等学校重点教材，介绍了机电控制系统的基本原理、基本知识及其在机械工程中的应用，具体内容包括机电控制系统的基本概念、控制系统的数学模型、控制系统的时域分析、根轨迹法、控制系统的频域分析、控制系统的校正、机电控制系统的设计方法与实例等。每章备有知识要点、例题解析与习题。本书力求理论联系实际，简明易懂，强调应用。本书可作为普通高等学校机械工程类专业，特别是过程装备与控制工程、机械设计制造及其自动化等专业的本科教材，也可供有关教师与工程技术人员参考。

本书从职业本科学生的学习情况出发，结合经典控制理论的主要内容，确定了主要知识点，包括自动控制相关基本概念、自动控制系统的数学建模、线性定常系统的时域分析法、根轨迹方法、频域分析方法及系统综合校正等方面的知识，并且为顺应数字化时代的要求，讲解了离散控制系统相关知识。

为便于学生学习、理解，每章均配有一定的实际案例，让同学们能够学、做结合，充分理解掌握每章知识要点及基本分析方法；同时，每章均配有一定量的习题，以便于教学实践。

本书兼顾深度学习的理论和应用，特别强调大规模训练应用案例，引导学生进人深度学习的前沿领域．主要内容有深度学习的核心理论问题：网络拓扑结构设计、网络参数初始化方法. 大规模网络训练的优化方法、正则化方法、激活函数的研究方法. 书中引人深度学习在计算机视觉中的大型经典和前沿应用案例，包括图像分类任务. 目标检测与跟踪任务、多源遥感图像融合任务、超分辨率任务. 图像隐写与图像信息安全任务等内容. 本书拥有丰富的数字化资源，扫描每章末二维码即可观看学习.