阅读本书需要具备一定的Python语言编程基础知识。编者充分调研了行业、企业对人才技术技能的需求，将教学过程和企业深度学习模型的训练与部署、人工智能应用开发等生产过程衔接，与企业一线工程人员共同研究学生需要掌握的职业理论知识和技能，同时参照人工智能深度学习工程应用职业技能等级证书要求，将证书和岗位需求充分融入本书。本书可作为高等院校人工智能相关专业的教材，也可作为有关专业技术人员的培训教材，还可作为广大深度学习技术爱好者及从事包含深度学习相关业务的智能制造、智能零售、智慧安防、智慧交通、智慧农业

本书以PyTorch作为深度学习框架，主要包括4部分。第1部分（第1、2章），主要概述PyTorch基础知识与常见深度学习算法实现，例如，CNN、LSTM，即CNN-LSTM；第2部分（第3～5章）高级神经网络实现，主要包括常见的深度学习网络结构，例如CNN、RNN及最新的Transformer等模型；第3部分（第6～9章）生成式AI和深度强化学习，主要包括GAN、GPT和DQN等算法；第4部分（第10～14章）生产中PyTorch落地的几个关键性主题，分布式训练、自动机器学习管道构建和硬件快速

本书首先介绍机器学习的矩阵代数基础, 包括线性代数基础、范数理论与投影映射、矩阵分解及应用、梯度矩阵; 然后介绍机器学习的概率与优化基础, 包含概率统计与信息论基础、凸函数、优化理论、迭代算法; 最后介绍几个经典的机器学习模型. 阅读本书需要微积分、线性代数和概率论与数理统计的基础知识.

本书介绍了自组织增量学习神经网络及其在人工智能领域的应用。神经网络是一种模拟生物神经系统的人工智能技术，具有强大的数据处理能力和学习能力。自组织增量学习神经网络是一种具有高度自组织结构和增量学习能力的神经网络。与传统机器学习方法相比，自组织增量学习神经网络有更强的灵活性和适应性，能够更好地适应动态环境和解决复杂的问题。自组织增量学习神经网络在多个领域有着广泛的应用，包括机器人智能系统、人脸识别、图像处理、场景理解、语音识别、姿势识别、股票预测等。使用自组织增量学习神经网络，这些应用能够实现更高效

掌握AI写作，就可以轻松写出高质量职场文章。本书通过对国内外多款AI写作工具的简单介绍，旨在帮助读者快速掌握AI职场文章的写作方法。本书共九章，分别介绍AI写作工具、AI优化简历、职场入门AI写作、AI项目策划、AI项目复盘、AI高效办公、AI高效沟通、让职场更轻松的软件和AI职场视频剪辑等内容。 本书适合职场新老员工、职场管理层领导，以及相关职场培训机构参考使用。

本教材编写理念先进、重在应用，主要内容包括初探人工智能、认知人工智能的基础支撑、认知人工智能的应用技术、探索人工智能的行业应用四个项目。本教材通过文字、视频、动态图和实训平台等多种形式，立体、多角度地呈现内容，构成一个教与学的互动系统，让学习资源交互、联动起来。读者可打开艾智讯网站www.aitrais.com，完成登录并激活，浏览课程多媒体互动资源或进行实训项目操作。
本教材可作为职业院校计算机公共课、信息技术公共基础课程的教学用书，也可供对人工智能感兴趣的读者阅读。

本书包含六大部分：第一部分主要介绍深度学习Python语言的基础知识，讲述Python基本语法（输入、输出、数据类型、流程控制、函数、文件和目录）、数组计算（NumPy库）、绘图库（Matplotlib库）等；第二部分主要介绍Keras编程基础，以及?Keras?中提供的大量的深度学习API；第三部分主要介绍数据处理方法，包括对类别的数据处理方法和对特征的数据处理方法，以及对缺失数据处理方法等；第四部分主要介绍各种深度模型原理及应用Keras搭建各种深度学习模型的方法，如卷积神经网络、循环神经网

全书分为7 个章节。第1 章绪论，梳理了人工智能不同技术流派的特点、深度学习的发展及前沿技术；第2 章介绍相关预备知识，包括线性代数、概率论、优化理论以及机器学习的基础知识；第3 章从前馈神经网络的基础模型——感知器出发，介绍前馈神经网络的基本结构以及涉及的激活函数、梯度下降、反向传播等内容；第4 章，介绍深度模型的优化问题，讨论了神经网络优化中常见的病态问题；第5 章介绍深度学习中的正则化方法，包括范数惩罚、数据集增强与噪声注入、提前停止等；第6 章介绍了卷积神经网络，以及卷积神经网络在计算机

本书首先介绍了人工智能的基本概念与应用现状；其次阐述了经典机器学习理论与实践的相关内容，包含基础知识、人工智能的开发工具以及一系列机器学习分类、聚类和回归等算法；最后介绍了深度学习的相关理论，包括深度学习的基本概念、卷积神经网络、循环神经网络以及部分强化学习的经典方法。本书在介绍人工智能相关理论知识的同时，还介绍了部分其涉及的数学原理以及编程实例。