本书共5个项目，内容包括边缘计算开发板基础应用、边缘计算算法SDK应用、TensorFlow图像上色模型部署、PyTorch目标检测模型部署、TFLite手掌检测模型部署。本书根据岗位工作任务要求，确定学习任务内容，设计选取了14个工作任务。

本书在全面覆盖人工智能框架知识的基础上，以精简内容、突出重点为准则，避免面面俱到。每一部分都是挑选经典、实用的知识内容，同时配有典型案例和源代码，将人工智能原理融会到典型案例中详细讲授，可以使初学者以较快的节奏学习、实践人工智能基础知识，重点掌握关键部分的常用算法，进而了解人工智能领域的知识轮廓。


全书共分7章： 第1章为绪论，简要介绍人工智能发展历史和相关技术内容； 第2章为知识表示和推理，着重讲授归结演绎推理和产生式系统； 第3章为搜索技术，讲授典型的搜索技术，主要包括

本书全面介绍当前人工智能技术基础理论和方法，包括深度神经网络、知识图谱、图神经网络、生成式人工智能方法和机器学习方法5部分内容；重点介绍深度神经网络基本原理、卷积神经网络、循环神经网络、注意力机制和变形金刚(Transformer)，介绍知识图谱、图神经网络和生成式人工智能的基本理论与方法，最后简要介绍弱监督、自监督、迁移学习、深度强化学习、元学习和小样本学习、持续学习等机器学习方法，还介绍了大语言模型中的机器学习方法。

本教材总结了人工智能的发展历程和取得的阶段性成果，涵盖了人工智能主要的两大类内容：符号主义和联接主义，重点阐述了人工智能经典理论和方法，补充完善了丰富的人工智能新技术。内容包括：绪论、知识表示和逻辑推理、搜索技术、进化算法和群智能算法等传统的人工智能范畴，以及机器学习、强化学习、自然语言处理等人工智能的新技术。

"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。