本书由校企“双元”共同开发，以人工智能应用开发的学习与认知过程为主线，以实践为主导，将理论知识与实践应用有机结合，将人工智能的应用开发的过程分为数据、人工、智能和系统化四个层级和十二个步骤。十二个步骤包括：数据采集、数据整理、数据分析、数据标注、特征提取、模型创建、模型训练、模型测试、集成AI模型生成智能系统、系统测试、系统发布、系统部署与应用等。本书内容从人工智能认知开始，讲解了人工智能应用开发所依赖的数据集成、Python编程基础、算法基础和基本框架、API的应用。为了增加人工智能的通识性认

《人工智能导论》为大连理工大学“新工科”系列精品教材。
本书内容包括绪论、知识表示、确定性推理、不确定性推理、搜索求解策略、遗传算法及其应用、群智能算法及其应用、人工神经网络及其应用、机器学习、专家系统、自然语言理解及其应用等。
本书可供电子信息类专业本、专科学生作为教材使用，也可供从事人工智能领域的技术人员参考。

本书从人工智能的基本定义出发，由浅入深地阐述了人工智能的理论、策略、研究方法和应用领域，以梳理知识脉络和要点的方式，详细介绍了知识表示、逻辑推理及方法、非确定性推理及方法、搜索策略、机器学习等方面的内容。作为导论书籍，本书概念论述清楚，内容丰富，通俗易懂，在较为全面介绍人工智能的基础上对一些传统内容进行了取舍。为满足读者进一步学习的需要，除第1章之外，每章最后一个小节都配有案例分析，便于读者在所学知识的基础上懂得如何运用知识。

本书在不涉及大量数学模型与复杂算法实现的前提下，从机器学习概述开始，由“泰坦尼克号数据分析与预处理”“良/恶性乳腺癌肿瘤预测”“波士顿房价预测”“手写体数字聚类”“人脸特征降维”“在线旅行社酒店价格异常检测”6个案例分别引入数据分析、分类、回归、聚类、特征降维和异常检测的应用开发实战技术及其少量理论，能够帮助读者以最快的速度掌握使用Scikit-learn库进行机器学习开发的实战技能。书末是学习机器学习时可能用到的附录。本书适合对机器学习感兴趣的初学者、需要快速入门机器学习的高职相关专业学生，以

本书较完整地介绍了深度学习的基本概念、方法和技术。全书共10章，重点介绍了深度学习的基础知识、深度学习的基本算法、深度学习中的正则化以及几个典型的深度神经网络（如深度卷积神经网络、深度循环神经网络、深度生成式对抗网络、自编码器、深度信念网络、胶囊网络等）。
本书内容丰富、叙述详细、实用性强，适合具有一定数学基础的高年级本科生或相关专业的研究生使用，也可供不具有深度学习背景但对深度学习感兴趣的相关人员参考。

人工智能是电子信息技术领域发展为迅速的新兴交叉学科。本书作为人工智能学科的入门基础，
由浅入深、化繁为简，全方位阐述人工智能相关理论背景、关键技术及部分典型应用。本书共12 章：
第1 章阐述人工智能的定义、发展史，并展望其发展趋势；第2 ～ 4 章是人工智能学科的理论基础，分
别介绍知识的表示与理解方法、感知与连接以及判断与控制方法；第5 ～ 10 章从人工智能的应用领域
出发，主要阐述网络空间安全、计算机视觉、语音、机器人、自然语言处理、无人驾驶

本书参考物联网应用技术人才培养的方案内容，针对物联网应用技术专业人才培养所需要的技术（职业）领域所总结的典型工作任务来组织全书的内容体系。根据要完成每个典型工作任务的工作过程中所需的知识或技能来设计每个章节的内容。本书共分为8章，内容涵盖了物联网的特征及体系结构、物联网底层感知技术、通信技术、嵌入式开发技术、云计算及大数据处理技术、物联网安全技术等，对当前新的典型物联网应用进行了分析。

全书围绕物联网体系结构的感知、传输、处理、应用四个层次，结合当前物联网的典型应

随着时代的发展、计算机硬件性能的提升与大数据技术的进步, 深度学习在理论上不断创新, 尤其在商业场景应用中取得重要成果, 使得人工智能又一次进入黄金发展时期, “深度学习时代”已经来临! 本书将带领读者了解深度学习技术的理论及应用情况。全书共10章, 分3部分。第1部分, 即第1-第4章, 主要介绍人工智能与神经网络的基础知识, 以及深度学习的工作过程; 第2部分, 即第5-第6章, 主要介绍Keras与环境配置, 通过手写体识别技术的实现, 帮助读者了解深度学习的实际操作方法和流程;

本书主要讲述人工智能的基础知识与基础理论，并通过大量的人工智能应用帮助读者快速了解人工智能相关技术。本书共10章，分别为人工智能概述、人工智能基础知识、机器学习、深度学习、计算机视觉、自然语言处理、知识图谱、人工智能技术应用场景、智能机器人和人工智能的挑战与未来。本书内容丰富，讲解细致，注重技术发展变化。 本书既可作为高校大数据专业、云计算专业、人工智能技术专业、信息管理专业、计算机网络专业的教材，又可作为人工智能与大数据爱好者的参考书。

本书以scikit-learn和Keras框架作为实战平台，讲解了传统机器学习的主流技术和最新深度学习的研究成果。其中，"第一篇 传统机器学习”包括第1～10章，介绍了机器学习概念、监督学习算法（回归分析、Logistic回归、k近邻、决策树、朴素贝叶斯、支持向量机）、无监督学习算法（神经网络、聚类、降维）；"第二篇 深度学习”包括第11～15章，介绍了深度学习的概念、卷积神经网络、循环神经网络、生成对抗网络和强化学习等。 本书的编写旨在体现"做中学”理念，读者在学习初期不必过多纠缠于算法理