本书主要向读者介绍当代人工智能技术的入门知识，特别是以深度学习为代表的机器学习方法。内容包括人工智能的概念、分类和原理，阐述了人工智能的三大流派等。着重介绍了人工智能的相关技术和算法，包括机器学习、深度学习、强化学习、自然语言处理、机器视觉、机器人等。本书从基本原理概念、基础算法、基本理论应用三个方面对每章内容进行详细介绍，方便读者对内容知识的理解，有较强的知识性和趣味性。
本书可作为高等院校大数据专业和人工智能专业的核心基础课程教材，也可以作为计算机相关专业的专业课或选修课教材，同时也可

本教材较为全面地介绍人工智能技术服务、人工智能开放平台应用与实践等内容。全书共12个项目，包括人工智能的技术与应用设计、产业与应用开发，智能数据服务平台入门使用、数据采集、数据清洗、图像标注，深度学习模型定制平台入门使用、模型训练、模型部署，深度学习开发平台视觉任务应用、文本任务应用、声音任务应用等。本教材以企业用人需求为导向、以岗位技能和综合素质培养为核心，通过理论与实战相结合的方式组织内容，努力培养能够根据深度学习项目需求，利用深度学习开发平台完成深度学习应用开发等的人才。

本书紧跟新一代信息技术和人工智能主流技术的发展，选用Python这一人工智能领域的重要语言，培养学生的人工智能应用能力，以项目、任务为导向，将思政元素和相关知识的讲解贯穿在任务的实施过程中，对标1 X计算机视觉应用开发职业技能等级证书，使学生掌握人工智能在计算机视觉方面的具体应用，坚持与高等职业教育教学思想、岗位需求相结合的原则，通过具体的实施步骤完成预定的工作任务。本书的主要内容包括揭开人工智能的神秘面纱、初识物联网、探索大数据、走进云计算、解密区块链、学习Python基础、认识图像识别、认识

本书共12个单元，每个单元分为Section A和Section B两部分。两个部分围绕同一主题，以不同的体裁形式呈现，并提供了参考译文。本书涵盖了人工智能领域广泛的基础研究主题，比如机器学习、神经网络、计算机视觉、自然语言处理，展示了人工智能在多领域的具体应用，比如推荐系统、人脸识别、聊天机器人、自动驾驶、智能机器人，并对人工智能的硬件基础及发展趋势进行了阐述。几乎全部素材均为过去三年内发布，时效性强。

本书从硬件、软件、算法和通信四个方面来讲述一个智能系统完整的开发内容, 主要包括: 智能系统相关背景、智能系统芯片、编译系统、操作系统、操作系统软件框架、应用软件开发、机器学习、深度学习推框架和智能系统应用开发。从而让读者能够全面的学习一个智能系统所涉及的各方面知识点, 从而便于从宏观方面理解智能系统。本书适合于刚开始学习计算机体系和智能体系的初级学习者, 便于对相关的知识点有个了解, 从而方便后期对各个相关知识点展开更加细节的学习。

本书基于嵌入式人工智能开发板EAIDK-310和嵌入式虹膜门禁系统EAIDK-310-P20实验平台, 使用Qt和PyQt作为界面设计和运行框架, 通过在嵌入式Linux系统中使用Python和C++语言编写程序代码, 实现视频采集、物体分类、人脸识别、虹膜图像预处理、虹膜图像特征提取与匹配、虹膜图像采集与定位显示、虹膜识别门禁系统、智能音箱等实践案例。本书重实践、重应用、重开发、重创新, 以人工智能主流应用场景落地为导向、以强化学生应用能力的培养为目标, 详细阐述解决实际问题的前沿技

本书从人工智能的基本定义出发, 由浅入深地阐述了人工智能的理论、策略、研究方法和应用领域, 以梳理知识脉络和要点的方式, 详细介绍了知识表示、逻辑推理及方法、非确定性推理及方法、搜索策略、机器学习、深度学习、大数据等方面的内容。作为导论书籍, 本书概念论述清楚, 内容丰富, 通俗易懂, 在较为全面介绍人工智能的基础上对一些传统内容进行了取舍。为满足读者进一步学习的需要, 除第1章之外, 每章最后一个小节都配有案例分析。本书的最后一章整理了10余个入门实验, 便于读者在所学知识的基础上懂

本书以经典控制理论为主，较全面地阐述了自动控制的基本理论与应用。全书共分8章，主要内容包括：绪论，线性连续控制系统的数学模型、时域分析法、根轨迹分析法、频率特性分析法，线性控制系统的设计与校正，线性离散控制系统的基础理论、数学模型、性能分析及校正，非线性控制系统分析以及在MATLAB与Simulink支持下对控制系统的计算机辅助分析与设计。

本书兼顾统计知识的基础性和系统性，系统介绍深度学习基础知识和建模技术。本书共包括7章，第1章介绍机器学习、人工智能和深度学习发展历程及相关概念；第2章介绍深度学习的理论知识，如张量、梯度、损失函数、激活函数、反向传播等；第3章介绍基础神经网络在二分类数据、多分类数据和连续数据上的实例构建；第4章介绍神经网络模型的泛化策略；第5章介绍卷积神经网络的模型结构及其在图像分类问题中的应用；第6章介绍循环神经网络的模型结构及其在序列数据中的应用；第7章介绍文本数据建模的全过程，并结合前几章介绍的模型结构和

本书主要内容包括机器学习中的相关数学基础 (线性代数、概率统计与信息论、最优化方法和张量分析); 样本数据中的预处理; 机器学习主流算法; 基于MATLAB机器学习算法的实现和机器学习综合应用、机器学习和深度学习的工程应用。本书特色是深入浅出, 自成体系, 注重基础理论的描述, 具有系统性、完整性、可阅读性、应用性和前瞻性。