"人工智能技术的颠覆性、复杂性和社会关联性，特别是强人工智能的可能性，正在或将要给人类社会带来深刻的由内而外的变革，引发了诸多方面的伦理挑战和风险。本书以此为背景结合相关领域的研究进展，对人工智能技术的发展、人工智能伦理的渊源、人工智能伦理问题、人工智能伦理规范、人工智能职业道德等进行全面的梳理和介绍。全书共有9章内容：人工智能概述、伦理理论初步、人工智能伦理、人工智能风险、隐私泄露问题、偏见歧视问题、技术滥用问题、权责归属问题、伦理道德规范。本书内容系统、结构新颖、案例丰富、阐述翔实

本书从技术应用角度介绍了人工智能、大数据等相关技术。对人工智能基础概述、技术分类、基本原理、开发平台、应用场景、案例体验等的系统介绍能使读者快速建立起对人工智能技术的全貌认识，培养读者继续深入学习人工智能技术的浓厚兴趣。
本书共9章内容，内容包括：人工智能概述、Python语言基础、机器学习与深度学习、计算机视觉、语音处理、自然语言处理、人工智能与大数据、智能机器人项目应用、新一代人工智能的发展与思考。本书融入课程思政元素，致力于不断提升读者的课程学习体验、学习效果，将价值塑造、知识传授和

本教材依照真实的中职物联网实训平台的功能，开发的虚拟设备，包括智能开关模块、rfid模块、红外伴侣模块、数据采集模块、zgbiee模块、遥控模块。教材采用项目教学，要设计的软件共有9个功能，每个功能就是1个项目，总共9个项目，每个项目除有详细的功能要求说明外，还配套有教学视频，网址链接或手机二维码扫描可供学生参考。9个项目分别是：智能开关模块灯的控制、红外模块、RFID模块控制、数据采集模块控制、模拟温室大棚、Zgbiee模块控制、模拟飞行模块、模拟跟踪飞行、双灯顺序启动、根据天气的雾况飞

深度学习（DL，Deep Learning）是机器学习（ML，Machine Learning）领域中一个新的研究方向，通过学习样本数据的内在规律和表示层次，实现机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。在开始深度学习项目之前，选择一个合适的框架能起到事半功倍的作用。全世界最为流行的深度学习框架有TensorFlow、Caffe、PaddlePaddle和PyTorch。TensorFlow 是 Google 于 2015 年发布的深度学习框架，2019年，Google

本书采用“理论 +实践”的方式，全面系统地讲授了深度学习的基本原理以及使用 TensorFlow实现各类深度学习网络的方法。全书共 10章，第 1～3章主要介绍深度学习的基础知识，包括深度学习的概念和应用、深层神经网络的训练和优化、 TensorFlow的内涵和特点等内容；第 4～5章主要介绍 TensorFlow的安装，以及计算模型、数据模型、运行模型等 TensorFlow编程的基础知识；第 6～10章主要围绕 TensorFlow介绍各类深度学习网络，包括单个神经元、多层神经网络、卷积神经

本书详细介绍了人工智能领域涉及的数学基础，对于每个问题尽可能给出足够详尽的证明过程，以帮助读者深入理解智能算法的原理。本书内容涉及线性代数、高等数学、概率论、**化等多个数学分支内的重要知识点。采用公式推导、图表示例、应用举例相结合的方式，以翔实的语言、全新的视角，帮助读者理解其中的关键知识点。
全书共分为10章: 第1章、第3章、第4章详细介绍与人工智能算法相关的向量与矩阵分析、函数与泛函分析、概率与数理统计的数学基础。第2章介绍可用于评定不同待观测样本相似程度的度量方法。第5章重点介绍

本书选材广泛, 涵盖了人工智能基础、人工智能的利弊、人工智能中的推理、知识表示和知识图谱、模糊逻辑系统、知情搜索算法和不知情搜索算法、专家系统、机器学习和深度学习、机器学习算法、人工神经网络、大数据与机器学习、模式识别、自然语言处理、计算机视觉、人工智能中的智能体、智能制造、用于人工智能的五种编程语言、人工智能平台、人工智能与云计算以及人工智能的十大趋势等。每一单元包含以下部分: 课文--选材广泛、风格多样、切合实际的两篇专业文章; 单词--给出课文中出现的新词, 读者由此可以积累人工

本书是一本系统介绍人工智能基础知识和基本原理的入门书籍, 从经典人工智能入手, 介绍知识表示、确定性推理、不确定性推理、专家系统和演化算法等。同时, 也介绍了典型机器学习和深度学习的学习框架和方法, 如决策树、支持向量机、卷积神经网络、循环神经网络和生成对抗网络等。另外, 本书以Pytorch、sklearn等为基础通过实践项目巩固人工智能的基础知识, 帮助读者从理论和实践中提高人工智能的知识水平。

《人工智能》选取人工智能的9个核心方向，包括搜索、机器学习、线性回归、决策树、集成学习、神经网络、计算机视觉、自然语言处理与强化学习，系统梳理关键知识点，并详细介绍基础原理与重要算法，同时，加入了对前沿知识的介绍与对核心成果的分析和说明。同时，书中的每一章均配备作业题与编程练习，让读者们在练习当中加深对算法与原理的理解。本书内容的选取建立在对大学人工智能教育知识体系的完整梳理之上；章节中对原理与具体的算法均进行了详尽的介绍。

本书对人工智能安全的理论与实践技术进行了梳理，全面完整地覆盖了人工智能安全技术的主要方面，把相关知识体系划分为五部分，即人工智能的安全观、人工智能安全的数据处理、人工智能用于网络安全的攻击与防御、人工智能模型的对抗攻击与防御以及人工智能平台的安全与工具。第一部分对人工智能安全问题、基本属性、技术体系等进行了归纳梳理。第二部分介绍人工智能安全数据处理的三个主要方法，即非平衡数据分类、噪声数据处理和小样本学习方法。第三部分从人工智能技术赋能网络空间安全的攻击与防御问题角度出发，从三个典型实例及攻击图