人工智能作为一门独立学科自20世纪中叶诞生以来，先后经历了多次跌宕起伏与技术变革，特别是进入21世纪后，深度学习与智能感知、计算机视觉、脑认知科学的快速发展，使得人工智能应用呈现井喷式发展。本书作为人工智能学科人门的导论课教材，概述了人工智能相关的智能信息处理、脑与认知科学、演化计算与群智能优化、博弈论与智能决策、机器学习及AI芯片、计算机视觉及电力智能机器人等领域的发展史、基本原理与应用案例。通过梳理各分支方向的发展历程，使读者了解并掌握相关方向发展的脉络，为今后深人学习奠定基础。本书既可作为

作为通用人工智能的重要进展，ChatGPT的出现引起了学术界和产业界人士的广泛关注。本书系统地论述了ChatGPT的发展历程、核心技术和基本原理等内容。全书共15章。第1章介绍了ChatGPT的前世今生；第2～6章论述了ChatGPT相关的基础理论与发展应用；第7～10章论述了ChatGPT的核心技术，包括Transformer、基于人类反馈的强化学习、提示学习以及模型学习与优化；第11章和第12章论述了ChatGPT的重要应用场景；第13～15章论述了以ChatGPT为代表的通用大模型范

本书共7章。第1章介绍自动控制的基本概念。第2章介绍连续系统的数学模型，作为必要的数学基础，简要介绍拉普拉斯变换的基本方法。第3章介绍线性连续系统的时域分析方法，包括稳定性、暂态性能和稳态误差等系统性能的分析。第4章介绍控制系统的频率法。第5章介绍控制系统中广为应用的PID控制工程设计方法。第6章介绍离散系统的分析方法。第7章介绍非线性系统的描述函数法。附录介绍复变函数的基础知识。

本书的主要内容涵盖机器学习领域的主要模型和算法, 包括监督学习的分类和回归模型与算法、非监督学习的聚类和降维算法、强化学习的主要算法、迁移学习的实例以及最新前沿的相关模型和算法的实践。本书以实验项目或案例为单元, 每个单元有明确的实验目的、原理和实验步骤, 包括基础验证性实验、综合设计性实验和系统开发项目实践。

本书是写给没有学过任何计算机语言的读者的，例如大学生。本书主要讲授MATLAB的基本知识，从如何打开MATLAB的指令窗口，输入最简单的指令开始，利用MATLAB提供的交互式环境，用简明的实例向读者示范如何调用MATLAB的内部函数实现数值计算、符号运算和平面曲线、空间曲线与曲面图等图形输出，以及机器学习和线性代数与微积分的应用。本书的应用篇介绍了MATLAB在机器学习中的应用，讨论了如何应用线性代数与函数求极值的基础知识以及MATLAB 的内置函数来编程实现常用的机器学习算法，例如，（广义）线

机器学习是人工智能的重要分支。本书立足实用且易于上手实践的原则，系统地介绍机器学习领域的经典算法，以及这些算法的Python实现和典型应用。本书分4部分: 第1部分介绍监督学习，包括线性模型、决策树分类、贝叶斯分类器、集成学习和支持向量机；第2部分介绍无监督学习，包括关联规则、聚类分析和数据降维；第3部分介绍深度学习，包括神经网络、深度学习和生成对抗网络；第4部分介绍强化学习。本书所介绍的经典机器学习算法及其应用案例均给出了相关实验数据和Python代码实现，每章末尾还给出了习题和实验题，便于读

本书基于PyTorch框架介绍深度学习的有关理论和应用,以Python为实现语言。全书共分10章，内容包括深度学习的概念和发展过程、感知器、全连接神经网络、卷积神经网络、若干经典CNN预训练模型及其迁移方法、深度卷积神经网络应用案例、循环神经网络、基于预训练模型的自然语言处理、面向模型解释的深度神经网络可视化方法、多模态学习与多模态数据分类等。
本书兼顾理论与应用、原理与方法，集系统性、实用性、便捷性于一体，易于入门，实例丰富，所有代码全部经过调试和运行。此外，每一章后面都配有适量的习题，

大约在一百年前，电气化改变了交通运输行业、制造业、医疗行业、通信行业，如今AI带来了同样巨大的改变。AI的各个分支中发展为迅速的方向之一就是深度学习。
本书主要涉及以下内容：第1部分是神经网络的基础，学习如何建立神经网络，以及如何在数据上面训练它们。第2部分进行深度学习方面的实践，学习如何构建神经网络与超参数调试、正则化以及一些高级优化算法。第3部分学习卷积神经网络(CNN)，以及如何搭建模型、有哪些经典模型。它经常被用于图像领域，此外目标检测、风格迁移等应用也将涉及。后在第4部

本书全面讲述人工智能算法的理论基础和案例编程实现。第1章简要介绍机器学习的发展及其应用。第2章和第3章主要介绍机器学习经典分类算法、聚类算法、集成算法和随机森林算法，以及这些算法的具体内容、算法原理和案例编程实现。第4章介绍了深度学习的概念、原理、研究现状，以及典型的神经网络及其相关网络的案例编程实现。第5章介绍了强化学习的发展及其相关算法，包括Q-学习算法、蒙特卡洛算法和动态规划算法，以及这些算法的原理和案例编程实现。第6章介绍了迁移学习的发展及其相关算法，主要包括TrAdaBoost算法和层

本书是机器学习领域的入门教材，详细阐述了机器学习的基本理论和方法。全书由12 章组成，包括绪论、线性模型与逻辑斯谛回归、决策树、贝叶斯分类器、k 近邻算法、支持向量机、人工神经网络、线性判别分析、主成分分析法、聚类、EM 算法与高斯混合聚类、集成学习等。 对每一种机器学习算法，均从算法原理的理论推导和MATLAB 实现两方面进行介绍。本书既注意保持理论分析的严谨性, 又注重机器学习算法的实用性，同时强调机器学习算法的思想和原理在计算机上的实现。全书内容选材恰当，系统性强，行文通俗流畅，具有较强的