作为国内人工智能领域的创新性实验教材，本书重点介绍各类深度学习框架和算法，涵盖图像、视频、语音和文本等人工智能技术广泛应用的多个领域，涉及分类、识别、检测、多模态和三维重建等多类实验任务。书中选取的实验分别介绍了相关背景、所涉及的深度网络模型框架和实验操作，实验操作部分描述了实验代码、操作步骤、数据集、评估准则、所应用的平台及系统环境等内容，有助于读者在了解基础理论的基础上根据实验操作的描述独立完成相关实验。

本书基于国内外对混沌神经网络的研究成果，提出了一种基于脑电波生物机制的变频正弦混沌神经网络（FCSCNN）模型，并通过对该模型的激励函数、退火函数、生物机制、优化机制等进行研究，进一步提出了多种衍生模型。本书详细分析了FCSCNN模型及其衍生模型的混沌动力学特性，通过对解决函数优化、组合优化等问题与同类模型进行对比实验，验证了FCSCNN模型及其衍生模型的优化性能。本书适用于人工神经网络、人工智能等相关专业领域的高校学生、教师及科研工作者。

大模型作为人工智能技术的重要发展方向，逐渐成为未来科技发展的重要方向之一。基于此，本书重点介绍与大模型相关的基础知识、原理与技术。本书分为14章，内容包括深度学习基础、自然语言处理、大模型网络结构、大模型训练与优化、大模型微调及相关应用案例等。全书强调内容的科学性与系统性，从大模型历史发展脉络、理论基础、构建方法到应用场景，循序渐进地全面讲解大模型技术。本书聚焦于大模型在不同领域的扩展应用，提供了应用案例的全方位学习路径，旨在培养和提升学生的实践和创造能力。每章都提供了相应的习题，供学生练习和巩

本书系统阐述了机器学习的基本理论、算法和实现。全书共11章：第1章着重介绍了机器学习的基本知识；第2章介绍了样本数据预处理和提取的传统算法(如PCA和LDA)，并增加了流形学习和稀疏表征等理论；第3-8章系统介绍了传统机器学习算法，如监督学习(贝叶斯、最近邻、线性模型、非线性模型和集成学习)和非监督学习(聚类)；第9、10章分别介绍了概率图模型和人工神经网络的基本理论；第11章着重讲述了强化学习的基本理论和算法。本书针对理论难点，插入了可视化图，引导读者对理论的理解；每章配有习题，以便

本书对机器学习的基础知识和基本算法进行了详细的介绍，对广泛应用的经典算法(如线性回归、逻辑回归、朴素贝叶斯、支持向量机、决策树和集成学习等)进行了深入的分析，并讨论了无监督学习的基本方法。用6章对深度学习和深度强化学习进行了相当全面的叙述，不仅深入地讨论了反向传播算法、多层感知机、卷积神经网络、循环神经网络和长短期记忆网络等深度神经网络的核心知识和结构，对于一些发展中的专题(如Transformer、大模型和深度生成模型等)也给予了一定深度的介绍。对于强化学习，不仅介绍了经典表格方法，

"《自动控制原理（MATLAB版·新形态版）》从控制系统建模、分析和设计三方面入手，比较全面地阐述了自动控制的基本理论和应用，主要内容包括自动控制的一般概念、自动控制系统的数学模型、时域分析法、根轨迹法、频域分析法、控制系统的校正、离散系统理论和非线性控制系统分析等内容。
《自动控制原理（MATLAB版·新形态版）》详细介绍了MATLAB仿真方法，并给出了大量的MATLAB仿真例题。此外，每章均配有适量习题，并根据习题的难易程度和综合性，将其分为自测题和基础题。本书为“纸数”一体化设计，针

本书全面且详细地阐述了控制工程领域的基础理论知识。全书共7章，深入浅出地介绍了自动控制系统的基本概念、控制系统的数学模型、基于传递函数的时域分析与设计、控制系统的根轨迹分析与设计、控制系统的频域分析、控制系统的校正、线性离散系统的分析和校正相关知识。

机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书内容涵盖了机器学习的基础知识，主要包括机器学习的概论、统计学习基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、进化计算、文本分析等经典的机器学习理论知识，也包括用于大数据机器学习的分布式机器学习算法、深度学习和加强学习等高等级内容。此外，还介绍了机器学习的热门应用领域技术，并给出了华为机器学习平台上的实验。本书深入浅出、内容全面、案例丰富，每章后都有习题和参考文献，便于巩固学习，适用于高等院校本科生、研究生机器学习、数据分析、数据挖掘

本书图文并茂、深入浅出地介绍了机器学习算法所需的数学、Python语言编程基础知识，以及回归模型、K 近邻、K 均值、决策树、弱学习器集成、人工神经网络、深度学习等常用的机器学习算法。全书共10 章，每章习题中都配套了实验练习环节，实验内容包括Python 开发环境配置、机器学习算法的实际应用等，所有实验都配有Jupyter 的Python 代码，从而使读者既能掌握算法理论原理，又能进行实际应用。
　　本书适合作为普通高等院校本科或研究生阶段的人工智能、机器学习、数据挖掘等课程的教材，也适

本教材系统地讲解了机器学习的理论与方法，内容主要包括高斯混合模型和EM算法、主题模型、采样与非参数贝叶斯方法、聚类分析、支持向量机、概率无向图模型、概率有向图模型、矩阵与张量分解、多层感知机与卷积神经网络、序列神经网络，以及强化学习。本教材旨在使读者了解机器学习的发展，理解和掌握机器学习的基本原理、方法与主要应用。本书内容丰富，着重与讲解机器学习理论的推导与证明，并通过实例进行方法分析与比较；本书强调机器学习的系统性、完整性、方法的时效性，可读性强；同时，作为新形态教材，本书配备了大量