本书共有7章。第1章绪论：系统介绍了人工智能概况。第2章人工智能系统架构：描述了人工智能框架中基础层、算法层、技术层和应用层的相关知识，最后介绍了专家系统。第3章机器学习：主要介绍了机器学习的概念、分类、算法及应用等。第4章深度学习：介绍了深度学习的发展历程；讲解了典型的深度学习算法、应用和发展趋势等内容。第5章强化学习：介绍了强化学习的基本知识、分类和典型算法等相关知识。第6章自然语言处理：介绍了自然语言处理的基本知识、自然语言理解、自然语言生成和NLP应用领域等内容。第7章计算机视

本书从基础理论入手，系统介绍人工智能的定义、起源、发展及其核心要素，深入剖析其分类与流派，旨在帮助学生建立对这一领域的宏观认知。然后进一步深入探讨人工智能的应用技术，包括机器学习、深度学习、自然语言处理、计算机视觉和智能语音等核心技术，详细阐述它们的原理、类型、算法及具体应用场景。生成式人工智能(AIGC)作为人工智能领域的新兴热点。

本教材通过38个学习案例和4个典型项目(包括智能导盲鞋、智能识别、智能共享盆栽养护系统、智能家居)，引导学生在解决实际问题的过程中掌握AI赋能创客设计的方法、形成跨域协同能力、建立AI驱动创新思维，提升AI时代实践创新与就业竞争力。

本书分基础篇、应用篇、素质篇三篇，共11个任务，内容包括：“人工智能概述：让机器‘思考’的技术革命”“人工智能浪潮：发展历程与主流学派”“AI赋能行业：人工智能的应用场景”等。

本书立足“技术赋能职业”的理念，以“场景化学习”为脉络，聚焦AIGC工具在职场中的高频应用场景，通过“基础认知→工具实操→案例实战”的阶梯式设计，帮助学生从零起步，逐步掌握AIGC技术的核心逻辑与应用能力。

《深度学习基础与案例教程》主要介绍深度学习基础理论及案例实战，共11章内容，从人工智能基础，到深度学习算法原理，再到深度学习项目实战，逻辑清晰，由浅入深，内容层次分明，从简单的线性模型引出非线性的深度学习模型。深度学习模型部分主要讲解卷积神经网络、循环神经网络、Transformer模型、生成对抗网络、迁移学习等。《深度学习基础与案例教程》在介绍理论内容时配有公式推导和详细的阐述，便于读者理解。在项目实战方面，本书每个算法理论都对应一个案例进行巩固，并在最后两章结合深度学习的两大领域——自然语言

《机器学习从线性回归到大模型》以回归为主线，系统介绍统计学、机器学习与深度学习中最常用的分类与回归方法，力图在大数据与人工智能背景下，突破传统统计建模的局限，构建一个融合多学科视角的现代回归分析框架。
全书覆盖线性回归、岭回归、Lasso、Logistic回归等经典线性模型，决策树、随机森林、GBDT、XGBoost等集成方法，BP神经网络、卷积神经网络、循环神经网络等深度学习模型，以及基于Transformer的大语言模型（如BERT和GPT）。 此外，《机器学习从线性回归到

本书共11章，内容包括：基于生成样本分布优化的不平衡分类方法、基于样本空间映射的不平衡分类方法、面向多类样本特征交叠情况下的不平衡分类方法、面向数据多模态分布条件下的不平衡分类方法等。

机器学习作为人工智能的一个分支，它涵盖了利用技术使计算机能够从数据中识别问题并将其应用于人工智能程序的方法。本书是机器学习领域的入门教材，系统、详细地讲述机器学习的主要方法与理论，阐明算法的运行过程，并紧密结合企业实践与应用，根据企业实际需求设计算法案例。本书共11章，分别介绍机器学习基本概念、决策树、K最近邻算法、支持向量机、线性模型、贝叶斯分类器、数据降维、聚类算法、人工神经网络、随机森林等基础模型或算法。本书通过具体的案例让读者学到思考问题的方式，包括决策树算法案例、K最近邻算法案例、SV

本书共3篇，12章，内容涵盖了深度学习的基础理论、重要模型及其在计算机视觉和自然语言处理等领域的应用。第1篇深入讲解了深度学习的基础理论，包括感知机的主要概念及其实现、神经网络的架构与算法，以及参数更新策略、权重初始化方法和正则化技巧。第2篇专注于计算机视觉，介绍了卷积神经网络的结构及其在图像处理方面的广泛应用，同时探讨了经典卷积网络的结构以及先进网络在物体检测与图像分割等领域的应用。第3篇着眼于自然语言处理，涵盖了语言模型、word2vec模型、RNN模型及其变体、Transform