本书以AIBox 嵌入式平台作为人工智能（AI）硬件平台、以Ubuntu 作为嵌入式操作系统、以Facebook 公司的PyTorch 框架作为深度学习设计框架，设计了摄像头模糊检测项目、行人检测项目、车道线检测项目和人脸检测项目4 个人工智能实践项目，实现了国产人工智能硬件平台 人工智能开放平台的无缝组合。
本书以案例教学为特色，注重人工智能技术与图像处理技术的融合。本书核心内容既包含必要的人工智能基础知识，例如素材采集与标注、深度学习的建模与调试等，又包含人工智能开发的软件环

本教材包括七章内容分别介绍人工智能概论、知识表示与特征工程、机器学习、深度学习、专家系统、人工智能架构与系统与案例分析相关内容，旨在全面且深入浅出地介绍人工智能的基础知识和实现的基本技术，并结合典型企业案例分析，紧跟时代潮流，注重技术的发展与革新。该教材充分体现智能科学与技术、人工智能方向高端人才培养的目标定位，尤其针对应用型地方高校的本科生以及研究生人才培养方案与路径，联合企业充分展示产教融合相关场景及案例。

本书对接智能语音开发运维岗位要求、人工智能语音应用开发1+X职业技能等级标准，内容涉及语音及智能语音相关技术的基本概念与简单应用，并对语音识别、声纹识别、语音合成、语音评测等重点应用的技术框架和开发技术进行了介绍。本书以“必须、够用”为原则，以培养学生的工程应用能力和职业素养为主线，将思政要素融入内容，包含初步了解语音、智能语音相关技术、语音识别技术应用、声纹识别技术应用、语音合成技术及应用、语音评测技术应用、语音技术综合实践七个主题单元，每个单元内容涉及基本概念、术语、技术应用、开发

本书是一本讲解人工智能时代所面临的安全性挑战的综合性教材，比较全面地介绍了人工智能安全的基本原理和主要防治技术，对人工智能安全的产生机理、特点、危害表现以及防治技术进行了比较深入的分析和探讨。其中，第1章介绍了人工智能的基础知识和人工智能的安全问题；第2-4章分别介绍了投毒攻击与防御、对抗攻击与防御技术和后门攻击与防御技术；第5-7章介绍了人工智能技术在安全领域的具体应用，包括入侵检测、网络流量分类和联邦学习。

随着数据存储技术、网络技术和云计算技术的快速发展, 数据正以前所未有的速度在不断地增长和积累。在各种实际应用中, 需要处理的数据量越来越大。 而样例选择就是从包括冗余或噪声的海量数据中选择重要数据的技术, 是机器学习的重要数据预处理步骤, 对后续学习算法的训练及性能有很大的影响. 在机器学习中, 样例选择有两种场景：一是主动学习场景, 二是监督学习场景. 本书结合作者及研究团队近年来关于样例选择的研究成果, 系统介绍了两种场景下样例选择的理论和方法以及两种场景下样例选择之间的区别与联系。另外，本

本书介绍了机器学习的典型算法及MATLAB编程方法。主要内容包括：线性回归、非线性回归、分类、聚类、人工神经网络、支持向量机、决策树、模糊逻辑、集成学习、半监督学习、强化学习、关联规则学习、深度学习、机器阅读和机器写作等。本书注重实用性，精选了大量实例，每个实例都提供了MATLAB程序，并进行了详细的注释，有助于读者真正理解这些算法和编程方法，把它们应用到自己的工作中来解决实际问题。因此，本书具有较强的实用性和可操作性。

本书旨在为广大学生提供一本全面、系统的控制工程基础理论教材，帮助掌握机电系统的基本概念、模型建立方法、系统分析及控制器设计等内容，提高对控制理论的理解。本书涵盖了经典控制理论的基础知识，如机电控制系统的基本概念、传递函数的基本概念、对系统传递函数及方块图进行化简、建立复杂机电系统的动态数学模型等；识别和判断复杂机械工程问题的关键环节和参数；建立机电系统的数学模型并分析系统性能；设计机电控制单元，并在设计过程中体现创新意识等，可为学生提供系统且全面的学习参考。

本书采用图形化的方法讲解人工智能和机器学习的知识与技术，并且借用图形化软件KNIME采用拖、拉、拽等“傻瓜式”的操作完成从简单到复杂的机器学习项目。全书分为三个部分，分别是人工智能技术入门、传统机器学习和深度学习。本书具有图说图解、自上而下、够用即止、实战掌握的特点，操作步骤描述详细，图文并茂，内容翔实、详略得当。

作为国内人工智能领域的创新性实验教材，本书重点介绍各类深度学习框架和算法，涵盖图像、视频、语音和文本等人工智能技术广泛应用的多个领域，涉及分类、识别、检测、多模态和三维重建等多类实验任务。书中选取的实验分别介绍了相关背景、所涉及的深度网络模型框架和实验操作，实验操作部分描述了实验代码、操作步骤、数据集、评估准则、所应用的平台及系统环境等内容，有助于读者在了解基础理论的基础上根据实验操作的描述独立完成相关实验。

机器学习虽然在改进产品性能、产品流程和推进研究方面有很大的潜力，但仍面临一大障碍——计算机无法解释其预测结果。因此，本书旨在阐明如何使机器学习模型及其决策具有可解释性。本书探索了可解释性的概念，介绍了许多简单的可解释模型，包括决策树、决策规则和线性回归等。本书的重点是模型不可知方法，用于解释黑盒模型（如特征重要性和累积局部效应），以及用Shapley 值和局部代理模型解释单个实例预测。此外，本书介绍了深度神经网络的可解释性方法。本书深入解释并批判性地讨论所有的可解释方法，如它们在黑盒下的运作机制