本书对人工智能中的关键技术进行介绍，主要包括计算机视觉、自然语言处理、语音处理、知识表示与推理、专家系统与知识图谱、问题求解与搜索技术、机器学习原理、机器学习应用、人工神经网络与深度学习、智能机器人等。本书引领读者进入人工智能领域，了解人工智能的概念和发展简史，理解人工智能的三大流派，并熟悉人工智能的主要研究内容和应用领域。本书内容丰富，应用性强，在中国大学MOOC平台上开设了“人工智能概论”课程。
本书主要面向人工智能、智能科学与技术、软件工程、计算机科学与技术、数据科学与大数据技术、机

本书围绕人工智能技术应用框架和认知规律，将“德”与“技”有机结合，由浅入深从“理念—开发—数据—算法—技术—产品—行业—情感”8个认知层面对人工智能技术进行剖析，构建全栈知识体系。本书基于BOPPPS教学方法重构教学环节，主要分为“导入—学习目标—知识探索—案例体验—拓展阅读—本章总结—学习评价—思考探索”8个环节，根据内容适时穿插案例，使读者通过项目实践获得所学即所用的成就感。本书配套案例源代码、习题、教学课件等资源。本书可以作为高等院校人工智能技术、电子信息类、机电一体化、应用电子技术及相关

本书详细介绍了人工智能的主要概念、技术和应用等。全书共5章，首先介绍了现阶段数据标注岗位相关基础知识；其次按照数据标注任务分类，分别介绍了图像、视频、自然语言和音频数据标注方法和标注平台使用的实用技术。本书面向高职院校人工智能技术应用等专业方向低年级学生及广大人工智能初学者，书中内容紧跟课程思政要求，内容由浅入深，事实鲜明。通过本书可以在概览人工智能深度学习范畴下数据标注员岗位全貌的同时，也可以对该岗位实用技术有全面且细致的掌握。

本书面向广大数据科学与人工智能专业的学生及初学者，力求通俗易懂、简洁清晰地呈现学习大数据与人工智能需要的基础数学知识，助力读者为进一步学习人工智能打好数学基础。
全书分为 4 篇，共 19 章：微积分篇（第 1～5 章），主要介绍极限、导数、极值、多元函数导数与极值、梯度下降法等；线性代数篇（第 6～10 章），主要介绍向量、矩阵、行列式、线性方程组、特征值和特征向量等，并介绍这些数学知识在人工智能中的应用；概率统计篇（第 11～17 章），主要介绍概率、随机变量、数字特征、相关分

本书是《自动控制原理》（第3版）（王划一，杨西侠编著，2017.9，国防工业出版社出版）教材的配套教材。其中兼容了高职高专教材《自动控制原理》（第2版）（王划一，杨西侠等编著，国防工业出版社出版）的全部习题解答。同时编入了精选的若干重点大学数年的硕士研究生“自动控制原理”入学试题，并作了详细的解答。

本书为“十二五”普通高等教育本科国家级规划教材。
本书主要介绍分析和设计反馈控制系统的经典理论和应用的方法，全书共九章，内容有自动控制系统的基本概念，线性系统的数学模型，线性系统的时域分析、根轨迹分析和频域分析，线性系统的校正，非线性系统的分析，采样控制系统的分析，平稳随机信号作用下线性系统的分析等。
本书配有免费电子课件及习题解答，并增加了丰富的二维码视频，同时，为适应当前教学需求，在相关章节增加了课程思政的内容。
本书为高等学校自动化专业的教材

本书较为系统地介绍了人工智能时代技术赋能教育生态的理论与实践探索,以“人工智能技术赋能教育”为核心,整合了智能技术对教育各要素产生的影响,形成人工智能时代师范生培养的框架模式。本书包括人工智能概述、人工智能时代的教育、人工智能时代的学校、人工智能时代的教师、人工智能时代的学生、人工智能时代的教育工具、人工智能时代的教育评估和人工智能时代的教育展望八个方面的内容。掌握这些基本内容,是未来教师进一步适应人工智能时代教育的前提,也是了解人工智能时代教育变革的重要渠道。本书配备有丰富的微课资源,读者可以

本书以党的二十大精神为指引，根据物联网综合应用开发课程的教学要求，结合物联网的实际应用场景和相关核心技术编写而成。本书采用活页式装订，全书由浅入深、全面展示了物联网的12个实践项目，具体为：STM32外设及GPIO输出控制、数码管模拟显示温度、ADC按键控制蜂鸣器、OLED显示、蓝牙通信、串口通信、Wi-Fi通信、红外测距、智能实时测温、智能水泵、土壤湿度采集、智慧农业综合项目。

本书可作为本科、高职院校物联网工程、物联网应用技术等相关专业的专业拓展课程、实训课程的教材，也可

本书从数据分析与机器学习算法入手，系统地介绍了机器学习各类算法的原理方法和实际应用。本书的主要内容包括：KNN算法、朴素贝叶斯、决策树、支持向量机、线性回归、K-means算法、人工神经网络、卷积网络深度学习以及基于Python数据分析进行职业规划。
本书作为大数据技术与人工智能领域的入门教材，在内容上涵盖了机器学习经典算法的基础知识和应用实例，采用Python作为编程语言，强调基本算法的应用理解，内容由浅入深。各部分内容均配有相应的任务，注重实践应用，便于读者学习和掌握。
本书可作

全书共 10 章，第 1 章介绍了机器学习算法的基本概念、分类及本书开发环境的搭建。第 2 章介绍了机器学习算法中经常用到的 NumPy 相关知识及绘图工具包 Matplotlib。从第 3 章开始介绍机器学习算法，第 3 章介绍了最简单也是最常用的线性回归算法。第 4 章介绍了搜索算法，包括梯度下降算法、随机梯度下降算法、小批量梯度下降算法、牛顿迭代算法及坐标下降算法。第 5 章介绍了二分类的 Logistic回归算法和多元回归算法 SoftMax，以及评价分类结果优劣的各种指标。第 6 章介