《人工智能》选取人工智能的9个核心方向，包括搜索、机器学习、线性回归、决策树、集成学习、神经网络、计算机视觉、自然语言处理与强化学习，系统梳理关键知识点，并详细介绍基础原理与重要算法，同时，加入了对前沿知识的介绍与对核心成果的分析和说明。同时，书中的每一章均配备作业题与编程练习，让读者们在练习当中加深对算法与原理的理解。本书内容的选取建立在对大学人工智能教育知识体系的完整梳理之上；章节中对原理与具体的算法均进行了详尽的介绍。

本书对人工智能安全的理论与实践技术进行了梳理，全面完整地覆盖了人工智能安全技术的主要方面，把相关知识体系划分为五部分，即人工智能的安全观、人工智能安全的数据处理、人工智能用于网络安全的攻击与防御、人工智能模型的对抗攻击与防御以及人工智能平台的安全与工具。第一部分对人工智能安全问题、基本属性、技术体系等进行了归纳梳理。第二部分介绍人工智能安全数据处理的三个主要方法，即非平衡数据分类、噪声数据处理和小样本学习方法。第三部分从人工智能技术赋能网络空间安全的攻击与防御问题角度出发，从三个典型实例及攻击图

本书对人机交互技术及应用进行了比较全面的介绍，内容包括绪论、人机交互设计理念基础、人机交互模型、人机交互系统设计、界面设计、直接操纵与沉浸式环境、导航设计、提升用户体验、文档与用户支持、人机交互质量评估、可用性评估与用户体验评价、人机交互设备及实验等。人机交互设计努力去创造和建立的是人与产品及服务之间有意义的关系，以在充满社会复杂性的物质世界中嵌入信息技术为中心，从可用性和用户体验两个层面进行分析，关注以人为本的用户需求。

本书的人机交互设备及实验部分围绕乐聚（深圳）机器人技

"本书比较全面地阐述了经典控制、现代控制的基本内容。全书共分九章，主要包括自动控制系统建模、时域分析法、根轨迹法、频域分析法、离散系统分析、非线性系统分析、线性系统理论、最优控制理论。各章均含有MATLAB支持下对控制系统进行计算机辅助分析与设计典型实例。为帮助读者更加熟练掌握该书内容，配套出版了《自动控制原理数字课程》《自动控制原理学习辅导与习题解答》数字资源。    本书为2016年国家级精品资源共享课配套教材、2019年国家级一流专业建设点主干教材、2020年国家级一流本科课程指

本书介绍了经典控制理论的基本概念、基本理论、基本分析方法以及实际应用，主要内容包括自动控制系统概述，自动控制系统的数学模型，时域分析法，自动控制系统的各组成部分特性，计算机控制系统概述，PID控制器的数字化设计，自动控制系统的设计、分析与调试等。各章均配有内容提要、小结和
大量习题。时域分析法配有MATLAB仿真分析。附录给出了五个典型的基本实验和自动控制技术常用术语中英文对照。
自动控制原理是一门理论性很强的课程。 本书根据高职教育人才培养的特点理论知识够用，强调实际

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。

本书采用图形化交互式人工智能软件“橙现智能”（Orange3）为工具讲解人工智能的基础应用知识和技能，采用图形化的形象方法方便读者对知识的理解。全书分为三个部分，第一部分介绍人工智能技术的概况，第二部分介绍若干常用的人工智能技术及其应用方法，最后一个部分介绍有关人工智能伦理的相关内容。本书的特色可以概括为“形象化概念理解，鼓励自我引导，强调技术应用”。本书鼓励读者自我引导，从合适的问题导入出发，引导读者自我寻找答案。为了做到这一点，本书在知识点介绍和讲解之前，进行适当的问题引导，通过生活中的类似

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