本书共14章,分为四篇:第一篇为深度学习相关的基本概念与理论(第1-2章)梳理了深度学习的发展历程、前沿与趋势,介绍了机器学习任务类型、评价指标、过拟合与欠拟合偏差与方差、最大似然估计、贝叶斯决策、损失函数设计等;第二篇介绍典型神经网络(第3-7章)包括多层感知机、卷积神经网络、循环神经网络、Transformer和图

本书以理工类专业为读者对象，以人工智能通识教育为目标，全书共6章，主要内容包括人工智能概述与发展历史，如人工智能的历史、发展等；机器学习，如机器学习概述、机器学习流程和常见算法等；神经网络与深度学习，如神经网络的基本概念、常见的深度学习结构、深度学习的工具与实现等；计算机视觉基础，计算机视觉的定义与目标、技术基础、常用

本书主要内容包括：机器学习概述、机器学习的统计学基础、机器学习的常用Python库、机器学习的基本流程、回归、分类：Logistic回归和最大熵模型、分类：决策树、分类：贝叶斯分类器、分类：支持向量机、分类：集成学习、聚类分析、降维、神经网络、深度学习。

本书系统介绍了图机器学习的基础理论、典型模型与应用实践。本书首先介绍图的基本概念、表示方法与特征构造技术;其次从图嵌入模型出发,深入介绍了图神经网络的主要架构与变体;再次概述图机器学习前沿进展,并详细介绍异质图、谱图、可信图和图基础模型等前沿方向;最后介绍了图机器学习在推荐系统、金融风控、生命科学、电路设计等领域的典型

本书首先简述人工智能的基本概念、发展历程,分类及在医疗、金融、交通等领域的应用,引入AI概貌;接着,系统介绍人工智能的核心技术分支,包括机器学习、强化学习、神经网络与深度学习(涵盖CNNRNN,Transformer等模型);随后,通过实例详细阐述AI在自然语言处理(包括DeepSeek、GPT,BERT等大语言模型)

本书系统介绍了最优化的基本理论、建模方法与常用算法,内容涵盖优化的基本概念、最优性条件、凸优化、无约束与约束优化等基础知识,并重点讨论机器学习中的优化建模与算法,如主成分分析、支持向量机、随机优化和零阶优化算法等。

本书分为“大模型基础”、“大模型优化方法”和“大模型能力扩展”三个部分,逐步深入地介绍了大模型的核心技术和前沿发展。第一部分“大模型基础”作为基础篇目,注重理论铺垫;第二部分“大模型优化方法”作为进阶篇目,深入技术细节;第三部分“大模型能力扩展”作为高级篇目,聚焦前沿挑战。

本书主要分为机器学习的基础、非参数化模型、线性模型、聚类方法、降维方法、EM算法与隐变量模型、集成学习、概率图模型、人工神经网络基础、神经网络模型、生成式模型、自监督学习、强化学习基础、强化学习算法、深度强化学习等模块。

本书从智能的概念出发,了解、学习人工智能的发展历史和发展动向,初步掌握人工智能的基本技术和研究方法,重点掌握表达、搜索、推理和学习等人工智能技术手段;了解人工智能的应用领域,为今后进一步从事相关专业奠定基础。

本书系统介绍人工智能逻辑,共分三部分:第一部分“知识表示与推理”重点介绍命题逻辑、谓词逻辑和描述逻辑,这些逻辑系统是知识表示与自动推理的基础。命题逻辑(第2章)用于表达和推理有关事实的信息。谓词逻辑(第3章)则进一步支持对象属性、对象之间关系及量词结构的表达与推理。描述逻辑(第4章)则在知识图谱等领域中得到广泛应用,能