本教材系统地论述了人工智能的经典理论及人工智能主要研究领域的基础知识与应用场景，目标是用通俗易懂的方法帮助读者构建完整的人工智能知识体系，为后续的深入学习打下基础。本教材通过讲解人工智能在诸多领域的经典应用案例，帮助读者更好地了解人工智能技术的发展和日常生活的关切度，以及未来人工智能的发展趋势及面临的挑战。本教材内容采

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～

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

本书包含代码实践和案例实践，运用OpenCV、PyTorch等框架工具详细讲解中文车牌识别检测、采用三元组的FaceNet人脸识别理论与实践、车道检测的两种深度学习思路及烟雾检测4大实践项目。相关理论可参考《基于深度学习的目标检测原理与应用》一书，从而学以致用、融会贯通。

本书系统地阐述了人工智能算法的基本原理、实现技术及其应用，基本涵盖了其重要理论和方法，包括了最近发展起来的并被实践证明的新技术、新理论，如机器学习、模式识别、图像处理、神经网络、深度学习、群智能方法等。本书注重结合实际，通过实际问题介绍各种理论和方法，着重介绍各种智能算法的MATLAB实现，具有较强的指导性和实用性。

本书系统介绍了推荐算法的知识框架和技术细节，包括召回、粗排、精排和重排等模块。第1章从用户体验、内容生产和平台发展角度介绍为什么需要推荐系统，并阐述推荐系统的分类及整体技术架构。第2章介绍推荐算法模型的基础——数据样本和特征工程。第3章介绍传统推荐算法。第4~7章介绍推荐系统中最复杂的部分——精排模块，包括特征交叉、用

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。

本书探讨了AI领域的AIAgent（智能体）和生成式AI的前沿进展，以及这些技术如何重塑我们的生活和工作方式。本书首先回顾了AI技术的演变历程，并强调了智能体的定义及其在客户服务、医疗健康和制造业等领域的广泛应用。本书也对智能体与传统软件进行了对比，分析了智能体的自主性、适应性和协作能力。生成式AI的崛起也被特别提及，

本教材聚焦学术前沿，围绕人工智能的两大核心要素，即数据和模型，对人工智能领域安全问题以及相关攻防算法展开系统全面、详细深入的介绍。本教材可以帮助学生充分了解人工智能数据与模型所面临的安全风险，学习基础的攻防理论，掌握关键的攻防技巧。