本书共5个项目，内容包括边缘计算开发板基础应用、边缘计算算法SDK应用、TensorFlow图像上色模型部署、PyTorch目标检测模型部署、TFLite手掌检测模型部署。本书根据岗位工作任务要求，确定学习任务内容，设计选取了14个工作任务。

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

本教材总结了人工智能的发展历程和取得的阶段性成果，涵盖了人工智能主要的两大类内容：符号主义和联接主义，重点阐述了人工智能经典理论和方法，补充完善了丰富的人工智能新技术。内容包括：绪论、知识表示和逻辑推理、搜索技术、进化算法和群智能算法等传统的人工智能范畴，以及机器学习、强化学习、自然语言处理等人工智能的新技术。

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

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

"本书是计算机领域本科教育教学改革试点工作计划（“101计划”）系列教材之一。本书按照“厚算法基础、养伦理意识、匠工具平台、促赋能应用”的培养目标，以表达与推理、搜索与优化、建模与学习和伦理与安全为核心，按照如下内容进行组织：第1章绪论、第2章知识表达与推理、第3章搜索探寻与问题求解、第4章机器学习、第5章神经网络与深度学习、第6章强化学习、第7章人工智能博弈、第8章人工智能伦理与安全、第9章人工智能架构与系统、第10章人工智能应用。本书可作为高等学校人工智能专业及信息技术相关专业人工

本书围绕人工智能的人才需求与岗位能力进行内容设计，将深度学习技术与实际应用相结合，旨在帮助读者全面了解深度学习的基本原理、常用模型和优化算法，并深入探讨在目标检测、图像识别、自然语言处理、风格迁移等领域的应用案例。本书共6个项目、15个任务，主要内容包括使用TensorFlow实现服装图像分类、使用TensorFlow实现文本分类、使用迁移学习实现肺部X光检测、基于Flask的模型应用与部署——猫狗识别、神经网络的语言处理——五言古诗生成、使用VGG19迁移学习实现图像风格迁移。

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

本教材聚焦学术前沿，围绕人工智能的两大核心要素，即数据和模型，对人工智能领域安全问题以及相关攻防算法展开系统全面、详细深入的介绍。本教材可以帮助学生充分了解人工智能数据与模型所面临的安全风险，学习基础的攻防理论，掌握关键的攻防技巧。

本书介绍了自组织增量学习神经网络及其在人工智能领域的应用。神经网络是一种模拟生物神经系统的人工智能技术，具有强大的数据处理能力和学习能力。自组织增量学习神经网络是一种具有高度自组织结构和增量学习能力的神经网络。与传统机器学习方法相比，自组织增量学习神经网络有更强的灵活性和适应性，能够更好地适应动态环境和解决复杂的问题。自组织增量学习神经网络在多个领域有着广泛的应用，包括机器人智能系统、人脸识别、图像处理、场景理解、语音识别、姿势识别、股票预测等。使用自组织增量学习神经网络，这些应用能够实现更高效