人工智能、物联网、云计算、大数据等技术，在社会经济、人文科学、自然科学等众多领域引发了一系列革命性的突破。信息社会对人才的需求不断变化，人工智能课程在内容建设与教学方法上也面临着新的挑战。本书从计算思维的角度出发，以人工智能的理论知识为引导，通过实际应用帮助学生掌握人工智能的基本内容，了解人工智能研究前沿，为进一步学习和应用人工智能解决问题奠定基础。本书的特色在于采用人工智能+交叉应用作为案例，包括人工智能与农业、生物信息学、物理学、数学的结合。

本书由中科院计算所、软件所的专家学者倾心写就，以“图像风格迁移”应用为例，全面介绍智能计算系统的软硬件技术栈。第2版以大模型为牵引进行更新，第1章回顾人工智能、智能计算系统的发展历程，第2、3章在介绍深度学习算法知识的基础上增加了大模型算法的相关知识，第4章介绍深度学习编程框架PyTorch的发展历程、基本概念、编程模型和使用方法，第5章介绍编程框架的工作原理，第6章回顾深度学习所用的处理器结构从通用逐步走向专用的过程，第7章介绍深度学习处理器的体系结构应当如何应对大模型处理中的计算、

本书以团体标准《青少年编程能力等级第5 部分：人工智能编程》（T/CERACU/AFCEC 100.5
2022）（以下简称：人工智能编程能力等级标准）为依据，旨在引导青少年走进人工智能编程的世界，开
启人工智能编程学习之门。本书共设4 个单元，内容覆盖人工智能编程能力等级标准二级，共10 个知识点。
第1 单元为人工智能的基础知识（共3 节），主要介绍人类智能与人工智能的区别。第2 单元为人工智能
编程（共2 节），主要介绍人工智能图形化编程中的人

本书以鲲鹏智能计算为主线，共12章，分别为绪论、计算机与服务器、鲲鹏通用计算平台、鲲鹏openEuler操作系统、鲲鹏openGauss数据库、鲲鹏openLooKeng数据虚拟化引擎、鲲鹏云计算技术、鲲鹏应用迁移与开发、鲲鹏通用计算平台基础管理、openEuler操作系统及虚拟化应用实践、基于鲲鹏通用计算平台的Web实践，以及基于鲲鹏智能计算平台的深度学习案例实践。

本书内容简洁、技术实用，旨在帮助读者了解并熟悉鲲鹏智能计算的相关技术及应用。本书适合IT相关行业的专

本书是根据全国高等教育自学考试指导委员会最新制定的《2024年7月（本）自学考试大纲》，为参加高等教育自学考试的考生编写的教材。
编写过程中，本书参考了国内外目前比较经典的教材，并结合编者多年来从事相关课程的教学心得，以及编写教材的经验和体会，选材适当、叙述简洁且针对要点，符合自学考试的特点与要求。全书共分8章，内容有自动控制系统概述、线性系统的数学模型、线性系统的稳定性和稳态特性分析、线性系统的动态时域分析、线性系统的频域分析、线性系统的校正、非线性系统的分析、采样控制系统的分析

本书阐述了经典控制理论的基本概念、原理和自动控制系统的各种分析方法，主要内容包括线性连续系统与离散系统的时域和频域理论，如系统的动态性能、静态性能、稳定性的分析和各种设计方法的运用等。 本书从基本概念、基本分析方法入手，结合生产和生活中的实例，以时域分析方法为主线，时域分析和频域分析并进，在严谨的数学推导的基础上，利用直观的物理概念，引出系统参数与系统指标之间的内在联系。

人工智能的迅猛发展不仅深刻影响着技术创新、社会变革和职业发展，而且带来了诸多人工智能伦理问题和挑战。为贯彻落实国家现代职业教育高质量发展要求，促进社会公众特别是青年学生对人工智能伦理的学习和思考，本书以学生为中心，以能力为本位，以提升人工智能伦理素养为宗旨，采用"问题导向、任务驱动、案例探究、场景应用”的方法编写，突出通俗性与生动性，注重实用性与实践性，体现创新性与前瞻性。 本书以"苏菲探索 AI 的奇妙之旅”系列故事为导入激趣设疑，通过搭建【案例导入】—【学习任务】—【知识探究】—【延伸学习】

在生成式人工智能的时代，我们见证了模型推理对存储空间和计算能力的巨大需求，这对大语言模型和视觉生成模型的实际应用提出了前所未有的挑战。在这样的背景下，高效模型压缩和模型设计技术显得尤为重要，它们是降低模型计算和存储需求的关键，使得模型的快速部署和高效运行成为可能。本书系统地介绍了高效模型压缩和模型设计的方法，在编写上兼顾理论和实践。本书主体部分详细介绍了模型压缩的方法论，包括高效模块设计、模型剪枝、模型量化、模型二值化、神经网络架构搜索、知识蒸馏几大部分。另外，简要介绍了定制化硬件加速

本书共分为三个部分，分别为理论基础、实验和案例。这三个部分层层递进，介绍深度学习的基础知识与常用方法，全面细致地提供了深度学习的原理和在深度学习框架下的实践步骤。第一部分主要通过7个章节来介绍深度学习的基础知识，包括深度学习在不同领域的应用，不同深度学习框架的对比，以及机器学习、神经网络等方面的讲解。第二部分主要包括常用深度学习框架的基础讲解以及计算机视觉、自然语言处理、强化学习和可视化技术领域的一些实验讲解。第三部分则是提供8个案例，来介绍深度学习在图像分类、目标检测、目标识别、图像分割

本书共9章，主要内容有：深度学习模型性能评估、模型可视化、轻量级模型设计、模型剪枝、模型量化、迁移学习与知识蒸馏、自动化模型设计、模型优化与部署工具。