本书为基于RISC-V代理内核的计算机操作系统实验教材，实验分为设计基础实验和挑战实验两个部分，主要内容包括RISC-V体系结构、PKE实验和实验环境配置、中断处理、内存管理、进程管理、文件系统。本书采用RISC-V代理内核在实现代码规模极简化的同时，也更好地保证可操作系统在概念和功能上的完整性，有助于学生将实验重点放在操作系统重要概念对应的实现。 本书可作为计算机类、电子信息类相关专业操作系统课程实验的教材，也可作为操作系统爱好者参考使用。

操作系统是计算机系统中最重要和最基本的系统软件，《计算机操作系统》课程是计算机科学与技术专业的核心课程之一。通过对本门计算机专业必修课的学习使学 生建立起计算机操作系统的完整概念，了解操作系统组成结构，掌握操作系统对硬件和软件资源进行管理的基本策略、设计思想、实现原理、技术方法、相关理论以 及操作系统的发展趋势，特别是要学生理解和掌握实现软硬件资源管理的各种经典算法，为深入研究和开发计算机系统打下扎实的基础。本书的内容主要包括操作系统引论、进程管理、进程同步、存储器管理、设备管理和文件管理等几个

\"本教材第1版曾获首届全国教材建设奖全国优秀教材二等奖。本教材是“十四五”职业教育国家规划教材，也是国家职业教育电气自动化技术专业教学资源库配套教材。本教材以亚龙YL-335B型自动化生产线设备为载体，基于工作过程，按照由简单到复杂、由单一到综合的顺序，将整个设备的安装与调试过程分为7个项目，分别为自动化生产线的基本组成、供料单元的安装与调试、加工单元的安装与调试、装配单元的安装与调试、分拣单元的安装与调试、输送单元的安装与调试和YL-335B系统联机调试。自动化生产线各个工作单元的

本书根据作者多年的实际教学经验，在内容选择、理论深度等方面进行了深入的分析和研讨，使学生易于理解，注重对学生的启发。在本书编写过程中，力求做到准确性、系统性、通俗性、实用性，结构清晰，注重基础理论的阐述，强调理论与实践的结合。每一章的内容从一个问题开始，让学生带着问题开始知识的学习，促进学生的思考和参与。

全书共分为9章，主要内容包括： 操作系统引论、进程与线程、进程并发控制、死锁、内存管理、页式和段式内存管理、I/O管理、文件管理、多处理器系统介绍。

本书可作为高等

"机器学习和深度学习是人工智能领域开展科学研究的核心前沿理论，本书以“理论算法”为基础核心，以“实践案例”为创新驱动，帮助读者在了解机器学习和深度学习发展前沿的基础上，掌握基本核心知识，深刻理解应用案例，加深实践开发要素理解，夯实人工智能领域核心理论算法。全书共12章内容。第1章“绪论”，第2章“线性模型”，第3章“决策树”，第4章“贝叶斯分类器”，第5章“支持向量机”，第6章“聚类”，第7章“神经网络”，第8章“卷积神经网络”，第9章“循环神经网络”，第10章“生成对抗网络”，第11

本书是一本零基础的Illustrator软件的实战教材，旨在介绍如何使用Illustrator软件在平面设计领域的使用方法与技巧。本书首先介绍Illustrator软件在平面领域中的主要应用范围和领域，然后逐步由浅入深的介绍如何使用软件完成图形的设计与编辑、路径的绘制与编辑、图形样式的创建与编辑、文本与图表的创建与编辑、图层与蒙版的应用、效果类应用方法、混合与封套的应用方法等。 书籍中所涉及的案例都是平面设计领域中最为常见与普及度比较广泛的案例，让读者在熟悉和掌握Illustrator软件的同时

本书以项目为载体，依序对机器学习、深度学习和计算机视觉进行实践探究，帮助读者认识三者的关系，聚焦深度学习技术应用的重点领域计算机视觉，从调用云服务接口和开发模型两个方面做深层次探究。本书以企业用人需求为导向，以岗位技能和综合素质为核心，通过理论教学与实践教学相结合的方式，旨在培养具有深度学习技术应用意识，能够根据不同行业的不同需求，进行深度学习应用开发的高水平技术技能型人才。 全书共 3 篇：入门篇（项目1～项目3）为走进深度学习，分别对机器学习、深度学习和计算机视觉展开学习；基础篇（项目4～项

深度学习是人工智能的重要分支，在多个应用领域取得了突破性成果。本书作为深度学习的入门教材，基本涵盖了深度学习的各个方面。全书共8章，第1章概要介绍了深度学习的基本概念、典型算法及应用；第2~5章是本书的核心内容，详细介绍了卷积神经网络、循环神经网络、Transformer和生成对抗网络的基本原理、典型算法以及主要应用；第6章介绍了一些典型的深度生成模型以及近期比较流行的扩散模型；第7章介绍了深度学习中常用的正则化与优化方法；第8章介绍了TensorFlow、PyTorch和飞桨三个常用的深度学习

本书介绍与人工智能关系紧密的数学知识模块，以使读者更好地掌握数学方法在人工智能领域的应用。本书整合了随机过程、矩阵论和运筹学中相关的数学基础，共12章，分为3部分。第1部分为随机过程，包括第1～3章，主要介绍概率论预备知识、随机过程的概念和基本类型、马尔可夫链。第2部分为矩阵论，包括第4～8章，主要介绍矩阵论预备知识、线性空间与线性变换、范数理论及其应用、矩阵分解和特征值的估计。第3部分为运筹学，包括第9～12章，主要介绍运筹学思想与运筹学建模、数学规划、**化问题和多目标决策。
本书面向

本书以机器学习算法为主题，详细介绍算法的理论细节与应用方法。全书共19章，分别介绍了逻辑回归与最大熵模型、k-近邻模型、决策树模型、朴素贝叶斯模型、支持向量机模型、集成学习框架、EM算法、降维算法、聚类算法、神经网络模型等基础模型或算法，以及8个综合项目实例。本书重视理论与实践相结合，希望为读者提供全面而细致的学习指导。