《智能之门：神经网络与深度学习入门（基于Python的实现）》是作者在总结多年的实际工程应用经验的基础上编著而成的，是一本面向本科生的神经网络与深度学习的入门教材。通过阅读该书，读者可以掌握神经网络与深度学习的基本理论，并通过大量的代码练习，在做中学，提高将理论知识运用于实际工程的能力。
　　该书内容丰富，以“提出问题-解决方案-原理分析-可视化理解”的方式向读者介绍了深度学习的入门知识，并总结了“9步学习法”，分为基本概念、线性回归、线性分类、非线性回归、非线性分类、模型的推理与应用

《人工智能与信息技术教程》作为高等职业院校学生人工智能和信息技术通识课程的教材，是按照高等职业教育各专业领域高素质技术技能人才培养目标的要求编写的。本教材采用项目导向、任务驱动方式组织内容，全书共包含6个知识板块：人工智能信息获取、人工智能技术的应用、Word 2010文档制作与处理、Excel 2010表格处理与分析、PowerPoint 2010文稿制作、计算机基础与网络。本书所有内容注重学生技术技能的培养，体现了高职高专教学特色。
本教材既可作为高等职业院校、高等专科学校计算

数字化技术是智能制造的核心，基于VR/AR的可视化技术则是智能制造的先进载体。本书主要内容包括：介绍基于VR/AR的数字化制造的基础理论与技术支撑体系；然后给出关键支撑技术和使能技术；从智能制造的设计、制造、服务的全生命周期角度，展开航天航空、海工、汽车、纺织、物流等行业领域的VR/AR的智能制造应用新方法；后介绍国内外主流的工具集，开发工具和实施方法。本书为智能制造与机器人理论及技术研究丛书之一，可作为智能制造领域从事VR/AR技术、智能设计技术的参考书。

本书采用技术分析与场景描述相结合的模式，围绕物联网体系结构、关键技术和安全防控等方面进行系统的介绍。本书主要包括物联网概述、物联网基础知识、物联网数据服务、场景角度的IoT安全、技术角度的IoT安全、物联网流量安全、区块链与物联网安全七部分内容。

　　《人工智能导论（第5版）》是一本基础性强、可读性好、适合讲授的人工智能教材。作者希望读者通过学习该书，能够掌握人工智能的基本知识，并能了解人工智能研究的一些前沿内容，为进一步学习人工智能理论与应用奠定基础。
　　全书共11章。第1章绪论；第2章知识表示与知识图谱；第3章确定性推理方法；第4章不确定性推理方法；第5章搜索求解策略；第6章智能计算及其应用；第7章专家系统与机器学习；第8章人工神经网络及其应用（新增卷积神经网络、胶囊网络、生成对抗网络）；第9章智能体与多智能体系统；第10

本书全面系统地讲解了深度学习相关的知识。全书共8章，内容包括深度学习简介及TensorFlow安装，神经网络基础、神经网络的TensorFlow实现、卷积神经网络基础、经典卷积神经网络（上）、经典卷积神经网络（下）、深度学习用于文本序列和深度学习实验项目等内容。 本书以知识体系为基础，以课堂案例为载体，采取理论与实践相结合的教学模式，通过知识讲解和上机实验，使学生不仅掌握深度学习的理论基础，而且能够实现基本的代码。

本书分为“基础篇”与“应用篇”两部分，共16章。“基础篇”从人工智能背景、机器学习与深度学习的发展开始介绍，通俗易懂地讲解深度学习的相关术语与算法，详细介绍了多种操作系统中实验环境的安装部署。“应用篇”从简单的视觉入门基础MNIST手写数字识别、CIFAR一10照片图像物体识别等入手，到复杂的多层感知器预测泰坦尼克号上旅客的生存概率、自然语言处理与情感分析等，每章都围绕着实例详细讲解，加深对知识点的掌握。
本书是为“深度学习”课程编写的教材，适合作为高等院校相关专业的教材或教学参考

本书对于机器学习的核心方法，进行了深入而详细的介绍，并特别关注各学科*常用的算法。*特色在于力图以生动的语言、较多的插图与大量的实例来直观地解释机器学习的原理。同时，结合流行的R语言，及时地介绍相应的软件操作与经典案例，为读者提供一站式服务。本书还提供详尽的数学推导，尽量避免跳跃，并辅以直观的文字解释。对于看似复杂的机器学习原理，则删繁就简，娓娓道来，让读者渐入佳境。 本书适合普通高等学校经济管理类以及理工类等的高年级本科生和研究生使用。先修课包括微积分、线性代数与概率统计，但不要求有编程

机器学习是一门多领域交叉学科，涉及概率论、统计学、矩阵论、神经网络、计算机等多门学科。其目标是模拟人类的学习活动，从数据中获取知识和技能，重新组织已有的知识结构，从而不断改善系统性能。本书共9项目。项目1介绍机器学习基础，概要介绍机器学习的发展简史和一般步骤，以及本书涉及的方法和算法；项目2项目7讨论k近邻算法、线性回归、决策树、贝叶斯分类、支持向量机、集成学习等监督学习方法；项目8介绍聚类的基本知识，阐述无监督学习方法；项目9讨论深度神经网络，主要论述卷积神经网络和循环神经网络两种模型。本书由

本书共11章，主要介绍机器学习的基本概念和两大类常用的机器学习模型，即监督学习模型和非监督学习模型。针对监督学习模型，本书介绍了线性模型（线性回归、Logistic回归）、非线性模型（SVM、生成式分类器、决策树）、集成学习模型和神经网络模型及其训练；针对非监督学习模型，本书讲解了常用的降维技术（线性降维技术与非线性降维技术）和聚类算法（如均值聚类、GMM、层次聚类、均值漂移聚类、DBSCAN和基于密度峰值的聚类等）。 本书可作为高等院校计算机应用、人工智能等专业的机器学习相关课程的教材，也可作